skbio.stats.gradient.GradientANOVA

class skbio.stats.gradient.GradientANOVA(coords, prop_expl, metadata_map, trajectory_categories=None, sort_category=None, axes=3, weighted=False)

轨迹算法的基类

参数:

• coords (pandas.DataFrame) -- 每个样本ID的坐标

• prop_expl (array like) -- 每个轴以坐标表示比例的NumPy一维阵列

• metadata_map (pandas.DataFrame) -- 按样本ID和列索引的元数据地图是元数据类别

• trajectory_categories (list of str, optional) -- 用于创建轨迹的元数据类别列表。如果没有传递，则计算所有元数据类别的轨迹。默认：无，全部计算

• sort_category (str, optional) -- 用于对轨迹进行排序的元数据类别。默认：无

• axes (int, optional) -- 在进行轨迹特定计算时要考虑的轴数。传递0以计算所有这些参数。默认：3

• weighted (bool, optional) -- 如果为True，则输出按 sort_category 立柱

抛出:

ValueError -- 如果任何类别的 trajectory_categories 不存在于 metadata_map 如果 sort_category 不存在于 metadata_map 如果 axes 不在0和最大可用轴数之间，如果 weighted 是真的，不是 sort_category 在以下情况下提供 weighted 为True，并且以下值 sort_category 在以下情况下不是数字 coords 和 metadata_map 没有共同的样本

内嵌函数

__eq__(value, /)	返回self==值。
__ge__(value, /)	返回self>=值。
__getstate__ \()	泡菜的帮手。
__gt__(value, /)	返回self>值。
__hash__ \()	返回哈希（self）。
__le__(value, /)	返回self<=value。
__lt__(value, /)	返回self<value。
__ne__(value, /)	回归自我！=值。
__str__ \()	返回str（self）。

方法

get_trajectories \()

计算每个类别中每个组的轨迹并运行