R计算两列数据的相关系数

有时候多组数据需要分析其关联性（是否有正向/反向线性关联关系），这个时候就可以借助关联性分析了。如果只是两组线性数据比较，那只要比出来一个关联度就好了。但是如果是两个表格（多对多组数据，两两比较，就需要相关度表 correlation matrix了。

关联分析可以用pearson、spearman或者kendall三种关联分析方法，一般比较常用的是pearson，这个会考虑具体数值大小。在这里因为数据差异比较大，所以我选用了spearman方法来进行相关性分析。

关于相关性分析的三个算法区分可以参考这篇文章：相关性分析

correlation的数值越接近1 或 -1，说明两组数据之间正向 或 反向 线性关联越强，但correlation总是要结合p-value一同考虑，才有意义。

PS: 协方差corvariant 也是计算两组数据线性关系的，但由于协方差受data scale 影响很大，所以只看结果的符号来判断正向或反向关系。相关性correlation由corvariant计算得到，同时考虑了data scale，所以结果的数值大小和符号都可以作为参考，可以运用correlation和X来预测Y，但效果一般般。 所以，又引入了R2（R平方，R=pearson相关系数），一个能更好表达用X来预测Y的度量标准，同时还能用于非线性关系，R=0.9时，R2=0.81，说明81%的预测结果可以由Y/X关系来解析。此处不深入讲了。

以R来实现，

关于相关系数散点图（一对一） ，注意，如果数据是RNA reads counts，需要先转换成log(TPM) 再进行画图，因为1）基因reads数基于基因长度进行标准化是最基础的，否则无法进行比较； 2）