skbio.diversity.beta.unweighted_unifrac¶
- skbio.diversity.beta.unweighted_unifrac(u_counts, v_counts, otu_ids, tree, validate=True)[源代码]¶
计算未加权UniFrac
状态：从0.4.1开始试验。
- 参数:
u_counts (list, np.array) -- 两个样品的OTUS计数/丰度向量。长度必须相等。
v_counts (list, np.array) -- 两个样品的OTUS计数/丰度向量。长度必须相等。
otu_ids (list, np.array) -- 与中的提示名称对应的OTU ID的矢量
tree。长度必须与u_counts和v_counts。tree (skbio.TreeNode) -- 在OTU_ID中关联OTU的树。树中的尖端名称集可以是
otu_ids，但不是子集。validate (bool, optional) -- 如果 False ，将不执行输入验证。此步骤可能很慢，因此如果在其他地方运行验证，则可以在此处禁用它。但是，无效的输入数据可能导致无效的结果或难以解释的错误消息，因此如果您不确定输入数据是否有效，则不应跳过此步骤。看到了吗
skbio.diversity有关验证所需内容的说明，以便确定是否可以安全地禁用验证。
- 返回:
两个采样之间的未加权UniFrac距离。
- 返回类型:
float
- 抛出:
ValueError, MissingNodeError, DuplicateNodeError -- 如果验证失败。确切的错误将取决于什么是无效的。
备注
未加权UniFrac最初在中描述 [1]. 未加权(定性)和加权(定量)多样性度量的讨论在 [2]. 这一指标的更深层次的数学讨论在 [3].
如果计算多对样本的未加权UniFrac，请使用
skbio.diversity.beta_diversity将比对每个示例单独调用此函数快得多。这个实现不同于在PyCogent中的实现(因此QIIME版本低于2.0.0)，它对输入施加了一些额外的限制。首先，输入树必须是根的。在PyCogent中，如果提供的无根树只有一个三叉节点(无根树的Newick约定)，则该节点被视为树的根。接下来，所有OTU ID都必须是树中的TIPS。PyCogent会默默忽略没有出现在树中的OTU ID。要使用SCISKIT-BIO从PyCogent复制UniFrac结果，请确保您的PyCogent UniFrac计算是在有根的树上执行的，并且所有OTU ID都存在于该树中。
此未加权UniFrac的实现是基于数组的实现，如 [4].
如果使用大量样本或大树，我们建议使用优化的UniFrac库 [5].
引用
示例
假设我们有以下两个样本的丰富数据，
u和v，表示为一对计数向量。这些计数表示在每个样本中观察到特定操作分类单元(OTU)的次数。>>> u_counts = [1, 0, 0, 4, 1, 2, 3, 0] >>> v_counts = [0, 1, 1, 6, 0, 1, 0, 0]
因为UniFrac是一个系统进化多样性度量，所以我们需要知道每个计数对应于哪个OTU，我们将以
otu_ids。>>> otu_ids = ['OTU1', 'OTU2', 'OTU3', 'OTU4', 'OTU5', 'OTU6', 'OTU7', ... 'OTU8']
我们还需要一个将OTUS彼此联系起来的系统发育树。
>>> from io import StringIO >>> from skbio import TreeNode >>> tree = TreeNode.read(StringIO( ... '(((((OTU1:0.5,OTU2:0.5):0.5,OTU3:1.0):1.0):0.0,' ... '(OTU4:0.75,(OTU5:0.5,((OTU6:0.33,OTU7:0.62):0.5' ... ',OTU8:0.5):0.5):0.5):1.25):0.0)root;'))
然后我们可以计算样本之间的未加权UniFrac距离。
>>> from skbio.diversity.beta import unweighted_unifrac >>> uu = unweighted_unifrac(u_counts, v_counts, otu_ids, tree) >>> print(round(uu, 2)) 0.37