本篇内容介绍了“R语言怎么实现网络构建”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
网络分析（network analysis）是指通过连接法，寻找变量之间的联系，以网络图或者连接模型（connection model）来展示数据的内部结构，从而简化复杂系统并提取有用信息的一种定量分析方式。在生态学中常利用相关性来构建网络模型，可以使用一个数据集例如物种群落数据进行分析，这时候展现物种之间的共出现模式（co-occurance pattern），也可以结合多个数据集进行分析，例如分析环境因子对物种的影响等，网络分析是一种比较自由的分析方法。
构建相关性网络，首先需要计算不同变量之间的相关系数矩阵，然后根据相关系数确定变量之间的网络连接，在R中常使用igraph包进行网络模型可视化。这里以目水平的微生物群落以及环境因子数据为例构建相关性网络：
#读取物种与环境因子数据community=read.table(file="otu_table_L4.txt", header=TRUE)rownames(community)=community[,1]community=community[,-1]com=t(community)environment=read.table(file="environment.txt", header=TRUE)rownames(environment)=environment[,1]env=environment[,-1]env=env[rownames(com),]data=as.matrix(cbind(com, env))#计算相关性矩阵并筛选p<0.05、r>0.45的数据library(Hmisc)corr=rcorr(data, type="spearman")rcorr=corr$r #提取相关系数pcorr=corr$P #提取检验结果p值#注意要去掉自相关（对角线上的数据）for (i in 1:nrow(rcorr)) { for (j in 1:nrow(rcorr)) { if (i!=j) { if (pcorr[i, j]>0.05) { rcorr[i, j]=0 } } if (rcorr[i, j]>-0.45 & rcorr[i, j]<0.45) { rcorr[i, j]=0 } }}#构建相关网络library(igraph)g=graph.adjacency(rcorr, mode="undirected", weighted=T, diag=F)
在这里graph.adjacency()函数使用邻接矩阵（这里为相关矩阵）创建连接模型，其中mode可选"undirected"和"directed"，分别表示连接有无方向（箭头），weighted=T表示连接线的粗细或长短与相关系数成正比，diag=F去掉邻接矩阵中对角线数据（即去掉自相关），我们可以提取节点与连接的信息：
接下来进行绘图：
#相关网络可视化m=length(colnames(com))n=length(colnames(env))t=length(colnames(rcorr))size1=numeric(m)for (i in 1:m) { size1[i]=sum(com[,i])}size1=(10000*size1)^0.25size2=numeric(n)for (i in 1:n) { size2[i]=sum(abs(rcorr[,m+i]))-1}size2=1.7*sqrt(10*size2)size=c(size1, size2)col=character(length(E(g)$weight))weight=E(g)$weightfor (i in 1: length(E(g)$weight)) { if (weight[i]>0) { col[i]="red" } else { col[i]="blue" }}pcolor=c(rep("goldenrod1", m), rep("steelblue3", n))par(mfrow=c(2,2), mar=c(1,1,1,1))plot(g,vertex.color=pcolor, layout=layout.fruchterman.reingold, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)plot(g,vertex.color=pcolor, layout=layout_as_tree, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)plot(g,vertex.color=pcolor, layout=layout_randomly, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)plot(g,vertex.color=pcolor, layout=layout.circle, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)
在这里绘图函数实际上为plot.igraph()。其中，使用物种相对丰度数据（size1）来为物种节点的大小赋值，使用环境因子相关性数据（size2）为环境因子节点（vertex）赋值，每一个显著的强相关作为一个连接（edge），正相关与负相关使用不同颜色来区分（col）。此外layout为展示样式，有layout.auto、layout.circle、layout.fruchterman.reingold、layout.graphopt、layout.grid、layout.lgl、layout.random、layout.reingold.tilford、layout.sphere、layout.star、layout.kamada.kawai、layout_as_star、layout_as_tree、layout_nicely、layout.davidson.harel、layout_with_dh、layout.graphopt、layout.mds、layout_with_lgl、layout_with_fr、layout_randomly、layout_on_sphere等。绘图结果如下所示：
可以选择合适的展示方式来展示相关网络，接下来我们进一步优化做图参数，如下所示：
#进一步优化作图par(mfrow=c(1,1), mar=c(1,1,1,1))myshape=c(rep("circle", m), rep("square", n))plot(g,vertex.color=pcolor, layout=layout.fruchterman.reingold, vertex.size=size, vertex.shape=myshape, vertex.label=rownames(rcorr), vertex.label.font=1, vertex.label.cex=0.5, vertex.label.dist=0.2, vertex.label.degree=-pi/2, vertex.label.color="black", vertex.frame.color="gray", edge.width=10*weight^4, asp=1, edge.color=col)
在上面脚本中使用形状区分物种节点和环境因子节点，vertex.shape可选方形square、圆形circle、球体sphere、等，可以使用?shapes查看其他形状例如三角等添加方法；使用相关性大小（weight）为边的宽度（）赋值；asp设置图片的长宽比，取值范围0-1；edge.curved设置连接（edge）的弯曲程度，取值0-1，其中0为不弯曲。做图结果如下所示：
“R语言怎么实现网络构建”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
