這年頭，手機里、電腦上要沒個三五個 AI 工具，都不好意思說自己是新一代搬磚打工人了吧。

反正為了提升點寫稿效率，每天能多摸會兒魚，世超的瀏覽器，已經被各種 AI 工具和插件給塞爆了。

像是找資料的AI 工具，就有五六個，插件欄里，光是翻譯的插件也有三個。

雖說用上它們后，咱的效率確實是提升了，但世超總感覺，還有更進一步的空間。

就拿瀏覽器的 AI 插件為例吧，且不說找插件和下插件有多少步驟了，光是配置起插件來，咱就得費不少心思。有時候，用戶還得自備 OpenAI 的 API ，不然就用不上大模型的功能。

另外，一些工具和插件不支持在線分析文檔，得提前把論文下載下來再喂給 AI ，這對能躺著就不坐著的世超來說，多少還是有點麻煩。

如果，咱是說如果瀏覽器里能直接集成 AI 功能，一步到位，是不是大伙們就能摸更多魚了呢？

好在，不少廠商似乎聽到了大家對摸魚效率的呼喚，把AI 融到瀏覽器里，也成了一大趨勢。

像是海外的 Arc AI 瀏覽器，剛出來就收獲了不少好評，雖然暫時還沒全面開放測試，但已經被一些媒體冠上了碾壓微軟 Edge 和谷歌 Chrome 的名頭。

而在國內，同樣也有公司敢于嘗鮮，比如 360 剛亮相的 AI 瀏覽器。

大家也了解世超我的，我可太想進步了，于是也立馬去試了這款 AI 瀏覽器，到底分量幾何？

咱也先省流一波，我覺得它不僅綜合了 AI 搜索工具和插件的能力。。。查資料獲取知識的感覺，還讓人想起了第一次用瀏覽器時，那種探索世界的奇妙感。值得一提的是，原生打造的 AI 體驗就是比插件絲滑。

廢話就不多說了，打開 360 AI 瀏覽器，默認就能看到 360 AI 搜索，側邊欄還有 AI 助手、 AI 寫作和 360 智繪的入口。

就拿咱平時寫稿來說，比如要寫前段時間的淀粉腸事件，在 AI 搜索里，世超就問了一個 “ 淀粉腸為啥受爭議 ” 的問題。

接著在給出的拓展追問里點點、讀讀，差不多十來分鐘就能把整件事情盤清楚。

丟給 AI 助手一篇論文，它也能立馬幫咱們總結出里面的要點，還順便畫出了思維導圖。更具體的內容，直接在側邊欄里提問就行，世超和論文原文對比了下，回答得沒啥問題。

要是涉及到英文的內容，它還會多出個 AI 翻譯功能，不僅是中英對照的，連 “ MoE ”“ SOTA ” 這種專業名詞都能翻譯出來。

這還沒完，在長文本能力上， 360 AI 瀏覽器這次也下狠功夫了，現在市面上免費能用的，大都支持20 萬字的上下文，其他更多的要么得排隊內測，要么得氪金。

相較之下， 360 AI 瀏覽器不要錢的 100 萬字上下文就香多了。

恰好這兩天趕上了網飛三體上線，世超也快把原著的情節忘光了，就趁著這個機會測測它的長文本閱讀能力。

世超下載的是三體Ⅲ，三十多萬字的小說喂給 AI 助手，它差不多一分鐘左右就能讀完，亮點總結和思維導圖也是張口就來。

甚至還能在聊天框里，追問各種關于小說的問題。

世超問了小說里云天明講的三個童話，沒反應多久它就給出了答案，三個故事講得都沒啥大錯。

要是想讀小說里這三個童話的話，直接點下面的十條來源，就能定位到原文里。

再問 AI 助手 “ 王國的新畫師 ” 這個故事，它也能繼續展開。而且它還有聯網搜索的功能，就算咱們問一些超綱問題，比如三體Ⅰ、三體Ⅱ里面的細節，甚至問它一堆胡編亂造的地外文明問題，它也答得像模像樣。。

另外，除了文本能力之外，世超發現 360 AI 瀏覽器分析視頻和音頻的能力，也挺有兩把刷子的。

要知道，目前市面上的 AI 工具，大都是偏科生，能通吃文本、音頻和視頻的，確實不多見。

為了測一測 360 AI 瀏覽器的能力，世超直接找來了甄嬛傳滴血驗親名場面的音頻，這場戲出來說話的人是相當多，咱們聽的話要辨認好一會兒。

但不到一分鐘， 360 的 AI 助手就分析完了，一共十三個發言人，在哪個時間點發言都標得清清楚楚，還總結出了人物關系圖。

重要的是，點擊每個發言人的右上角，還能總結他們各自的觀點和態度。

更讓世超驚訝的是， 360 AI 瀏覽器不止能分析離線文件，直接打開視頻網頁，也能用里面的 AI 功能。

就比如世超在視頻網站上打開了一段關于 “ AI 風險 ” 的訪談，點擊 AI 助手，它就能自動總結出核心。

不方便看視頻的話，還能轉成文字版，誰講了啥都一目了然。

還有大伙平時刷 B 站，也能拉出一旁的 AI 助手欄目來一波互動。

像世超最近剛看了沙丘 2 ，沒過癮想再看看分析，結果挑了個熱度高的視頻，剛打開就發現要一個多小時。

這時 AI 總結就派上用場了，它能把視頻總結成文字看點，對哪部分感興趣，可以直接點擊跳轉。

而且中途有啥問題，拉出一旁的對話框就能問。世超倒是挺好奇，里面的主人公保羅 · 厄崔迪是怎么駕駛沙蟲的，問了 AI 助手，回答得都還挺專業。

反正在體驗了這么兩天之后，世超已經停不下來了，甚至有種上癮的感覺。

就跟小時候能點一下午維基百科一樣，用 360 AI 瀏覽器，也能在解決完一個問題后，繼續在 “ 追問 ”“ 拓展 ” 里開啟副本。

其實去年業內就一直在說 “ 要用AI 把所有的產品都再做一遍 ” ，咱們也看到了各種嘗試，像是 AI 和拍照軟件、辦公軟件，再到如今和瀏覽器的結合。

除了咱們開頭提到的 Arc AI 瀏覽器外，谷歌 Chrome 在年初，也宣布要在最新版本引入生成式 AI 功能，微軟的 Edge 從去年就開始慢慢加 AI 功能，現在已經有了 Copilot （ 原 NewBing ）側邊欄功能。

360 這次讓自己研發的大模型 360 智腦徹底入駐 “ 全家桶 ” ，從頭到尾給自家瀏覽器來了場 AI 大更新。在世超來看，瀏覽器也確實需要這么一場改造，畢竟它可能是咱打工人接觸最多的軟件，也是大多數人認識世界的第一個窗口，而現在這個窗口已經積了厚厚的一層灰了。

或許這次的 AI ，就是這個老古董再次煥發新生的好機會。

這也太簡單了吧！一個函數完成數據相關性熱圖計算和展示

關聯數據集

ggcorr的第一個參數稱為data。可以是一個數據框（如上所示）或一個矩陣，在繪制之前將其轉換為數據框：

ggcorr(matrix(runif(5), 2, 5))

ggcorr也可以通過接受相關矩陣，在這種情況下，它的第一個參數必須設置為NULL，以指示ggcorr應該使用相關矩陣：

ggcorr(data = NULL, cor_matrix = cor(nba[, -1], use = "everything"))

相關性方法

ggcorr支持cor函數提供的所有相關方法。

相關矩陣中需要考慮的第一個設置是要使用的的選擇。此設置可以采用以下任何值：“”，“ all.obs”，“.obs”，“plete”或“ plete.obs”（ggcorr使用的默認值）。

ggcorr要求的第二個設置是要計算的相關系數的類型。有三個可能的值：“pearson”（ggcorr和cor使用的默認值），“kendall”或“”。cor 的文檔中說明了每個設置之間的差異。一般而言，除非數據是序數，否則默認選擇應為“pearson”，即基于pearson的方法產生相關系數。

例如：

# Pearson correlation coefficients, using pairwise observations (default method)
ggcorr(nba[, -1], method = c("pairwise", "pearson"))
# Pearson correlation coefficients, using all observations
ggcorr(nba[, -1], method = c("everything", "pearson"))
# Kendall correlation coefficients, using complete observations
ggcorr(nba[, -1], method = c("complete", "kendall"))
# Spearman correlation coefficients, using strictly complete observations
ggcorr(nba[, -1], method = c("all.obs", "spearman"))

繪圖參數控制色階

默認情況下，ggcorr使用從-1到+1的連續色標顯示矩陣中表示相關性的強度。要切換到分類顏色，需要添加nbreaks參數，該參數指定色標中應包含多少種區塊顏色：

ggcorr(nba[, 2:15], nbreaks = 5)

使用nbreaks參數時，通過digits參數控制色階中顯示的位數。digits參數默認為兩位數字，但是如上例所示，如果breaks不需要更高的精度，它將默認為一位數字。

對色階的進一步調控包括：name參數，用于設置其標題；legend.size參數，用于設置圖例文本的大小；以及legend.參數，用于控制圖例的顯示位置。使用方式和ggplot2相同：

ggcorr(nba[, 2:15], name = expression(rho), legend.position = "bottom", legend.size = 12) +
  guides(fill = guide_colorbar(barwidth = 18, title.vjust = 0.75)) +
  theme(legend.title = element_text(size = 14))

控制調色板

ggcorr使用默認的顏色漸變，該漸變從鮮紅色到淺灰色再到鮮藍色。可以通過低，中和高參數來修改此梯度，這與ggplot2中的控制參數類似：

ggcorr(nba[, 2:15], low = "steelblue", mid = "white", high = "darkred")

## Warning: Non Lab interpolation is deprecated

默認情況下，漸變的中點設置為0.0，表示零相關。中點參數可用于修改此設置。特別是，將中點設置為NULL時將自動選擇中值相關系數為中點，并向用戶顯示該值：

ggcorr(nba[, 2:15], midpoint = NULL)

## Color gradient midpoint set at median correlation to 0.08

控制色階顏色的最后一個選擇是通過調色板參數使用調色板。僅當色階進行分類時（即使用nbreaks參數時），才應使用此參數：

ggcorr(nba[, 2:15], nbreaks = 4, palette = "RdGy")

控制幾何形狀

默認情況下，ggcorr使用彩色圖塊表示相關系數的強度，類似于熱圖表示方式。

ggcorr也可以將相關性表示為按比例大小的圓圈，就是將其geom參數設置為“circle”：

ggcorr(nba[, 2:15], geom = "circle", nbreaks = 5)

此外，用戶可以通過和參數設置圓的最小和最大尺寸：

ggcorr(nba[, 2:15], geom = "circle", nbreaks = 5, min_size = 0, max_size = 6)

控制系數顯示

ggcorr可以通過將label參數設置為TRUE來在相關矩陣的頂部顯示相關系數：

ggcorr(nba[, 2:15], label = TRUE)

和參數允許設置系數標簽的樣式：

ggcorr(nba[, 2:15], nbreaks = 4, palette = "RdGy", label = TRUE, label_size = 3, label_color = "white")

參數進一步控制系數標簽中顯示的位數（默認為一位數字），參數控制標簽的透明度。如果設置為TRUE，則透明度級別將像相關系數一樣變化，并且相關系數的絕對值越小，透明度越高：

ggcorr(nba[, 2:15], label = TRUE, label_size = 3, label_round = 2, label_alpha = TRUE)

控制變量標簽

在上面的幾個示例中，變量標簽（在相關矩陣的對角線上顯示）的呈現不一定是最佳的。要修改這些標簽的外觀，要做的就是將支持的任何參數直接傳遞給ggcorr。以下示例顯示了如何在將標簽向左移動并更改其顏色的同時減小標簽的尺寸：

ggcorr(nba[, 2:15], hjust = 0.75, size = 5, color = "grey50")

相關矩陣中的變量標簽可能會出現的一個問題是，變量標簽太長而無法在圖的左下方完整顯示。如下圖：

ggcorr(nba[, 3:16], hjust = 0.75, size = 5, color = "grey50")

要解決此問題，ggcorr可以通過layout.exp參數在繪圖的水平軸上添加一些空格，有助于顯示長名稱的變量：

ggcorr(nba[, 3:16], hjust = 0.75, size = 5, color = "grey50", layout.exp = 1)

還等什么呢，快來試一試吧！

基因共表達聚類分析和可視化SOM基因表達聚類分析初探獲取聚類后和標準化后的結果一文學會網絡分析——Co-網絡圖在R中的實現ggcor在微生物生態領域的使用實戰ggcor |相關系數矩陣可視化

撰文：張虎