一、相关性矩阵计算：
[1] 加载数据：
data = read.csv(“231-6057_2016-04-05-ZX_WD_2.csv”,header=FALSE)
说明：csv格式的数据，header=FALSE 表示没有标题，即数据从第一行开始。
[2] 计算相关性矩阵（可以自己指定采用的方法，“pearson”, “kendall”, “spearman”）
注：cor(x,y,method = c(“pearson”, “kendall”, “spearman”))
cor_matr = cor(data)
cor_matr
二 相关系数的显著性水平（Correlation significance levels (p-value)）
使用Hmisc 包，不仅可以计算相关性矩阵，还可以计算对应的显著性水平
[1] 安装包 Hmisc （依赖包也会一并安装，lib代表安装包的路径）
install.packages(“Hmisc”,lib=“E:/Program Files/R/R-3.3.0/library/”)
[2] 加载包
library(Hmisc)
[3] 计算相关性和显著水平 (as.matrix(data) 表示将data转换成矩阵)
rcorr(as.matrix(data))
输出说明：
r ：第一个矩阵为相关性矩阵
n : 处理数据的总记录数（行数）
P : 显著性水平矩阵（越小说明越显著）
三、可视化相关性分析
[1] 使用 symnum() 函数实现可视化 (cor_matr 是我们上文中cor()函数计算出来的相关性矩阵)
symnum(cor_matr)
符号说明：在输出的最后一行，说明了符号的意义，例如 [0.9 , 0.95) 这个区间使用 * 表示。其他符号类似
[2] 使用 corrplot() 函数实现可视化（这里需要使用到corrplot包，没有安装的需要安装）
library(corrplot)
corrplot(cor_matr, type=“upper”, order=“hclust”, tl.col=“black”, tl.srt=45)
输出说明：用不同颜色表示了相关性的强度，根据最右边的颜色带来看，越接近蓝色说明相关性越高。其中圆形的大小也说明了行惯性的大小。
[3] 使用 PerformanceAnalytics 包进行可视化
library(PerformanceAnalytics)
chart.Correlation(data,histogram = TRUE,pch=19)
输出说明：
对角线给出了变量自身的分布
下三角形（对角线的左下方），给出了两个属性的散点图
上三小形（对角线的右上方），数字表示连个属性的相关性值，型号表示显著程度（星星越多表明越显著）
[4] heatmap 可视化
col = colorRampPalette(c(“blue”, “white”, “red”))(20)
heatmap(x = cor_matr, col = col, symm = TRUE)
说明：第一行是制作调色板，红色表示相关性最高。第二行参数说明，x: 相关性矩阵（前文已经计算），col: 调色板，symm: 以对称矩阵的形式显示（可以看到画出来的图是中心对称的，不过前提是输入的矩阵是方阵）
