diff --git a/Module_correlation.Rmd b/Module_correlation.Rmd
index ca567c15fb330d5b087c47a6ab572e2e37a2eca6..6527a97617ef00604e9c1fee61020403726aa772 100644
--- a/Module_correlation.Rmd
+++ b/Module_correlation.Rmd
@@ -21,6 +21,7 @@ if(!require(DT)) install.packages("DT")
if(!require(plotly)) install.packages("plotly")
if(!require(lsr)) install.packages("lsr")
if(!require(knitr)) install.packages("knitr")
+if(!require(knitr)) install.packages("circlize")
library(GGally)
library(readr)
@@ -34,6 +35,7 @@ library(DT)
library(plotly)
library(lsr)
library(knitr)
+library(circlize)
```
```{r setup, include=FALSE}
@@ -44,97 +46,220 @@ knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)
```
-## 1. Data Import and Interactive Overview
+
+
+## 1- Data Overview {.tabset}
```{r data_import, echo=FALSE}
# Import the design file (CSV) using the path specified in the input parameters.
-annotations <- read.csv(design_file, sep = ",", stringsAsFactors = FALSE)
+annotations <- read.csv("C:/Users/User/Desktop/projet_visualisation/visu_cor/design_WS3.csv", sep = ",", stringsAsFactors = FALSE)
# Display an interactive table to review all variables in the dataset.
DT::datatable(annotations,
options = list(pageLength = 10, autoWidth = TRUE),
caption = "Interactive Data Table: Review the design file")
+```
+## Missing Values Table
+```{r data_import, echo=FALSE}
+# Calculate missing values for each column.
+missing_values <- data.frame(
+ Variable = names(annotations),
+ Missing_Count = colSums(is.na(annotations))
+)
+rownames(missing_values) <- NULL
-```
+# Display an interactive table of missing values.
+DT::datatable(missing_values,
+ options = list(pageLength = nrow(missing_values), autoWidth = TRUE),
+ caption = "Missing Values in the Design File")
-### Manual Data Classification and Modification
+```
+
-## 2. Manual Data Classification and Modification
+Manual Data Classification and Modification
```{r data_classification, echo=TRUE}
# After reviewing the dataset via the interactive table, you can decide which variables
# should be treated as categorical, which as quantitative, and which ones to display
# in the advanced pairs plot.
+# manually modify the classification lists below:
+ categorical_vars <- c("sample", "condition", "animal", "experiment", "extraction")
+ quantitative_vars <- c("volume", "quantity")
+ display_vars <- c("condition", "animal", "experiment", "extraction")
-# Print the default classification lists defined in the input parameters:
-cat("Default Categorical Variables: ", paste(categorical_vars, collapse = ", "), "\n")
-cat("Default Quantitative Variables: ", paste(quantitative_vars, collapse = ", "), "\n")
-cat("Default Variables for Advanced Pairs Plot: ", paste(display_vars, collapse = ", "), "\n")
-
-# If needed, manually modify the classification lists below:
-# categorical_vars <- c("sample", "condition", "animal", "experiment", "extraction")
-# quantitative_vars <- c("volume", "quantity")
-# display_vars <- c("condition", "animal", "experiment", "extraction")
```
+ 2. Association Matrix
+`## 4. Association Matrix (Matrice des liaisons)
+```{r association_matrix, echo=FALSE, fig.width=8, fig.height=6}
+# Fonction pour calculer le coefficient de corrélation ratio (η) entre une variable numérique et une variable catégorielle.
+correlationRatio <- function(x, group) {
+ df <- data.frame(x = x, group = group)
+ df <- df[complete.cases(df), ]
+ grandMean <- mean(df$x)
+ ssBetween <- sum(tapply(df$x, df$group, function(xg) length(xg) * (mean(xg) - grandMean)^2))
+ ssWithin <- sum(tapply(df$x, df$group, function(xg) sum((xg - mean(xg))^2)))
+ eta2 <- ssBetween / (ssBetween + ssWithin)
+ return(sqrt(eta2)) # mesure brute
+}
+# Fonction pour calculer le V de Cramér à partir d'un tableau de contingence.
+computeCramersV <- function(tab) {
+ chi2 <- suppressWarnings(chisq.test(tab, correct = FALSE)$statistic)
+ n <- sum(tab)
+ phi2 <- chi2 / n
+ r <- nrow(tab)
+ c <- ncol(tab)
+ phi2corr <- max(0, phi2 - ((c - 1) * (r - 1))/(n - 1))
+ rcorr <- r - ((r - 1)^2)/(n - 1)
+ ccorr <- c - ((c - 1)^2)/(n - 1)
+ return(sqrt(phi2corr / min((ccorr - 1), (rcorr - 1))))
+}
-2.1 Automated Conversion for Correlation Analysis
+# Fonction pour calculer l'association entre deux variables (mesure au carré) :
+# - Si les deux variables sont numériques : retourne (corrélation de Pearson)^2.
+# - Si les deux variables sont catégorielles : retourne (V de Cramér)^2.
+# - Si l'une est numérique et l'autre catégorielle : retourne (corrélation ratio)^2.
+computeAssociation <- function(x, y) {
+ if (is.numeric(x) && is.numeric(y)) {
+ return(cor(x, y, use = "complete.obs")^2)
+ } else if (is.factor(x) && is.factor(y)) {
+ return(computeCramersV(table(x, y))^2)
+ } else if (is.numeric(x) && is.factor(y)) {
+ return(correlationRatio(x, y)^2)
+ } else if (is.factor(x) && is.numeric(y)) {
+ return(correlationRatio(y, x)^2)
+ } else {
+ return(NA)
+ }
+}
-```{r}
-data_numeric <- annotations %>%
- mutate(
- condition = as.numeric(factor(condition)), # Conversion de 'condition'
- animal = as.numeric(factor(animal)) # Conversion de 'animal'
-
- # 'sample' sera exclue du calcul
- ) %>%
- select(-sample, -experiment, -extraction)
-```
-3. Visualizations of Correlations and Distributions
-3.1 Correlation Matrix with corrplot
-Figure: Correlation matrix showing pairwise Pearson correlations among quantitative variables.
-```{r}
-if(ncol(data_numeric) > 1){
- cor_matrix <- cor(data_numeric, use = "complete.obs", method = "pearson")
- corrplot(cor_matrix, method = "circle", type = "lower",
- tl.col = "black", tl.cex = 0.8,
- col = colorRampPalette(c("blue", "white", "red"))(200))
-} else {
- cat("Not enough numeric columns to compute a correlation matrix.\n")
+# Fonction pour calculer l'association brute (non élevée au carré) entre deux variables.
+computeAssociationRaw <- function(x, y) {
+ if (is.numeric(x) && is.numeric(y)) {
+ return(cor(x, y, use = "complete.obs"))
+ } else if (is.factor(x) && is.factor(y)) {
+ return(computeCramersV(table(x, y)))
+ } else if (is.numeric(x) && is.factor(y)) {
+ return(correlationRatio(x, y))
+ } else if (is.factor(x) && is.numeric(y)) {
+ return(correlationRatio(y, x))
+ } else {
+ return(NA)
+ }
+}
+
+# Fonction pour construire la matrice d'association (valeurs au carré) pour toutes les variables.
+associationMatrix <- function(data) {
+ vars <- names(data)
+ nvar <- length(vars)
+ M <- matrix(NA, nrow = nvar, ncol = nvar, dimnames = list(vars, vars))
+ for (i in seq_len(nvar)) {
+ for (j in seq_len(nvar)) {
+ M[i, j] <- computeAssociation(data[[i]], data[[j]])
+ }
+ }
+ return(M)
+}
+
+# Fonction pour construire la matrice d'association brute (non élevée au carré) pour toutes les variables.
+associationMatrixRaw <- function(data) {
+ vars <- names(data)
+ nvar <- length(vars)
+ M <- matrix(NA, nrow = nvar, ncol = nvar, dimnames = list(vars, vars))
+ for (i in seq_len(nvar)) {
+ for (j in seq_len(nvar)) {
+ M[i, j] <- computeAssociationRaw(data[[i]], data[[j]])
+ }
+ }
+ return(M)
}
+# Préparation du jeu de données mixte :
+# On utilise les variables quantitatives (quantitative_vars) et les variables catégorielles (display_vars)
+# en excluant "sample" qui est un identifiant.
+vars_to_use <- c(quantitative_vars, setdiff(display_vars, "sample"))
+mixed_data <- annotations %>% select(all_of(vars_to_use))
+
+# Conversion des variables catégorielles (définies dans display_vars) en facteurs.
+mixed_data[display_vars] <- lapply(mixed_data[display_vars], as.factor)
+
+# Calcul de la matrice d'association (valeurs au carré).
+assoc_mat <- associationMatrix(mixed_data)
+
+# Calcul de la matrice d'association brute (valeurs non élevées au carré), stockée pour une utilisation ultérieure.
+assoc_mat_raw <- associationMatrixRaw(mixed_data)
+
+# Affichage de la matrice d'association au carré sous forme de tableau statique.
+knitr::kable(assoc_mat, digits = 2, caption = "Matrice des liaisons (valeurs au carré)")
+
+# Vous pouvez utiliser 'assoc_mat_raw' dans un chunk ultérieur pour créer une figure de corrplot par exemple.
```
-3.2 Heatmap with ComplexHeatmap
-Figure: Heatmap of the correlation matrix.
-```{r}
-if(ncol(data_numeric) > 1){
- Heatmap(cor_matrix, name = "Correlation",
- col = colorRampPalette(brewer.pal(8, "RdYlBu"))(50),
- column_title = "Heatmap of Correlation Matrix")
-} else {
- cat("Not enough numeric variables to generate a heatmap.\n")
-}
+## Visualisation
+## 5. Visualisation de la Matrice des Liaisons (Valeurs Brutes) avec corrplot
+
+```{r assoc_corrplot_raw, echo=FALSE, fig.width=8, fig.height=8}
+# Palette de couleurs allant de bleu (valeurs négatives) à blanc (0) puis à rouge (valeurs positives)
+my_palette_raw <- colorRampPalette(c("blue", "white", "red"))(200)
+
+# Affichage de la matrice d'association brute (assoc_mat_raw) sous forme de cercles colorés.
+# is.corr = FALSE car il ne s'agit pas de corrélations classiques (les mesures sont brutes).
+# cl.lim = c(-1, 1) force l'échelle de couleur à varier de -1 à 1.
+corrplot(assoc_mat_raw,
+ method = "circle",
+ type = "lower",
+ is.corr = FALSE,
+ col = my_palette_raw,
+ cl.lim = c(-1, 1),
+ tl.col = "black",
+ tl.cex = 0.8,
+ mar = c(0, 0, 2, 0),
+ title = "Matrice des liaisons (Valeurs Brutes)")
+
+
+```
+## 6. Heatmap de la Matrice des Liaisons (Valeurs Brutes)
+
+```{r heatmap_raw, echo=FALSE, fig.width=8, fig.height=8}
+
+
+
+# Définition d'une palette de couleurs pour une échelle de -1 à 1.
+col_fun <- colorRamp2(c(-1, 0, 1), c("blue", "white", "red"))
+
+# Création de la heatmap en utilisant la matrice des associations brutes.
+Heatmap(assoc_mat_raw,
+ name = "Association",
+ col = col_fun,
+ column_title = "Heatmap de la Matrice des Liaisons (Valeurs Brutes)",
+ heatmap_legend_param = list(title = "Association",
+ at = c(-1, 0, 1),
+ labels = c("-1", "0", "1"))
+)
+
```
+
+
3.3 Pairs Plot of Numeric Variables
Figure: Pairs plot (scatterplot matrix) of quantitative variables.
```{r}
+
if(ncol(num_data) > 1){
ggpairs(num_data, title = "Pairs Plot of Numeric Variables", progress = FALSE)
} else {
@@ -334,96 +459,3 @@ balanced_annotations <- annotations %>%
cat("Subsampled to", min_count, "samples per condition.\n")
```
-
-
-## 4. Association Matrix: Matrice des liaisons
-
-```{r association_matrix, echo=FALSE, fig.width=8, fig.height=6}
-# --- Définition des fonctions d'association ---
-
-# 1. Fonction pour calculer le coefficient de corrélation ratio (η) entre une variable numérique et une variable catégorielle
-correlationRatio <- function(x, group) {
- df <- data.frame(x, group)
- df <- df[complete.cases(df), ]
- x <- df$x
- group <- df$group
- grandMean <- mean(x)
- # Somme des carrés entre les groupes
- ssBetween <- tapply(x, group, function(xg) length(xg) * (mean(xg) - grandMean)^2)
- ssBetween <- sum(ssBetween)
- # Somme des carrés dans les groupes
- ssWithin <- tapply(x, group, function(xg) sum((xg - mean(xg))^2))
- ssWithin <- sum(ssWithin)
- eta2 <- ssBetween / (ssBetween + ssWithin)
- return(sqrt(eta2))
-}
-
-# 2. Fonction pour calculer le V de Cramér à partir d'un tableau de contingence
-computeCramersV <- function(tab) {
- # Calcul du chi2 sans correction de continuité
- chi2 <- suppressWarnings(chisq.test(tab, correct = FALSE)$statistic)
- n <- sum(tab)
- phi2 <- chi2 / n
- r <- nrow(tab)
- c <- ncol(tab)
- # Correction pour éviter des valeurs négatives
- phi2corr <- max(0, phi2 - ((c - 1) * (r - 1)) / (n - 1))
- rcorr <- r - ((r - 1)^2) / (n - 1)
- ccorr <- c - ((c - 1)^2) / (n - 1)
- return(sqrt(phi2corr / min((ccorr - 1), (rcorr - 1))))
-}
-
-# 3. Fonction pour calculer l'association entre deux variables :
-# - Si les deux variables sont numériques : corrélation de Pearson.
-# - Si les deux variables sont catégorielles : V de Cramér (via computeCramersV).
-# - Si l'une est numérique et l'autre catégorielle : corrélation ratio (η).
-computeAssociation <- function(x, y) {
- if (is.numeric(x) && is.numeric(y)) {
- return(cor(x, y, use = "complete.obs"))
- } else if (is.factor(x) && is.factor(y)) {
- tab <- table(x, y)
- return(computeCramersV(tab))
- } else if (is.numeric(x) && is.factor(y)) {
- return(correlationRatio(x, y))
- } else if (is.factor(x) && is.numeric(y)) {
- return(correlationRatio(y, x))
- } else {
- return(NA)
- }
-}
-
-# 4. Fonction pour construire la matrice des liaisons pour toutes les variables d'un jeu de données
-associationMatrix <- function(data) {
- vars <- names(data)
- nvar <- length(vars)
- M <- matrix(NA, nrow = nvar, ncol = nvar, dimnames = list(vars, vars))
- for (i in seq_len(nvar)) {
- for (j in seq_len(nvar)) {
- M[i, j] <- computeAssociation(data[[i]], data[[j]])
- }
- }
- return(M)
-}
-
-# --- Préparation du jeu de données pour la matrice d'association ---
-# On utilise les variables quantitatives (par exemple, "volume", "quantity") et
-# les variables catégorielles définies dans display_vars (excluant "sample").
-mixed_vars <- c(quantitative_vars, setdiff(display_vars, "sample"))
-mixed_data <- annotations %>% select(all_of(mixed_vars))
-
-# S'assurer que les variables catégorielles sont bien de type factor
-for (var in display_vars) {
- if (var %in% names(mixed_data)) {
- mixed_data[[var]] <- as.factor(mixed_data[[var]])
- }
-}
-
-# Calcul de la matrice des liaisons
-assoc_mat <- associationMatrix(mixed_data)
-
-# Affichage de la matrice sous forme de tableau
-knitr::kable(assoc_mat, digits = 2, caption = "Association Matrix (Matrice des liaisons)")
-
-
-
-```