这篇文章主要介绍“perl怎么分析相关性网络节点度”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“perl怎么分析相关性网络节点度”文章能帮助大家解决问题。
#计算节点度diag(rcorr)=0degree=numeric(ncol(rcorr))for (i in 1:ncol(rcorr)) { degree[i]=length(which(rcorr[i,]!=0))}#计算度中心性centdeg=degree/(ncol(rcorr)-1)nodedata=data.frame(degree, centdeg, row.names=rownames(rcorr))nodedata=nodedata[order(nodedata[,2],decreasing=TRUE),]#节点度分布图library(ggplot2)ggplot(nodedata, aes(x=degree)) + geom_histogram(position='identity', alpha=0.5, fill="cyan", binwidth=1, aes(y=..density..)) + stat_density(geom='line', position='identity', col="cyan4") + xlab("Node Degree") + ylab("Density")此外，可以直接使用函数计算节点度等指标：
degree(g)#计算节点度
closeness(g)#计算接近度中心性
betweenness(g)#中介系数中心性
evcent(g)#计算特征向量中心性
节点度分布图是不同节点度范围内的节点数目统计情况，可以反映网络的异质性，也即节点之间的连接状况是否均匀，理论上高关联度节点越多网络结构越复杂，做图结果如下所示：
接下来我们可以筛选出度中心性高的节点，来看那些物种或者环境因子在相关性网络中的影响较大：
#节点度中心性条形图nodedata=nodedata[1:20, ]ggplot(nodedata, aes(x=factor(rownames(nodedata), levels=rev(rownames(nodedata))), y=centdeg)) + geom_bar(stat="identity", fill="cyan", alpha=0.6) + xlab("Node") + ylab("Node degree centrality") + coord_flip()做图结果如下所示：
接下来，我们可以筛选受环境因子直接影响（相关系数之和不为0）的物种，并提取其相对丰度信息以便进行比较分析：
#提取筛选环境因子与物种相关性envcor=rcorr[1:m, (m+1):(m+n)]sumcor=numeric(m)for (i in 1:m) { sumcor[i]=sum(abs(envcor[i,]))}ecocor=data.frame(cbind(envcor, sumcor))ecocor=ecocor[order(abs(ecocor$sumcor), decreasing=TRUE),]abund=numeric(m)for (i in 1:m) { abund[i]=100*mean(com[, i])}names(abund)=colnames(com)abundance=abund[rownames(ecocor)]cordata=data.frame(ecocor, abundance)cordata=cordata[cordata$sumcor!=0,]write.csv(cordata, file="cordata.csv", row.names=TRUE, quote=FALSE)
经整理结果如下所示：
关于“perl怎么分析相关性网络节点度”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，可以关注亿速云行业资讯频道，小编每天都会为大家更新不同的知识点。
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。
