skbio.stats.ordination.pcoa¶
- skbio.stats.ordination.pcoa(distance_matrix, method='eigh', number_of_dimensions=0, inplace=False)[源代码]¶
进行主坐标分析。
状态：从0.4.0开始实验。
主坐标分析(PCoA)是一种类似于主成分分析(PCA)的方法，不同之处在于PCoA对距离矩阵进行操作，通常是非欧几里德距离，因此具有生态意义的距离，如微生物组研究中的UniFrac。
在生态学中，主成分分析(PCA)保留的欧几里德距离通常不是一个好的选择，因为它不能很好地处理双零(物种沿环境梯度的单峰分布，因此如果一个物种在同一地点的两个地点不存在，则无法知道环境变量是否在其中一个地点太高，在另一个地点太低，或者在两个地点都太低，等等。另一方面，如果一个物种出现在两个地点，这意味着这两个地点相似)。
请注意，返回的特征向量未归一化为单位长度。
- 参数:
distance_matrix (DistanceMatrix) -- 距离矩阵。
method (str, optional) -- 执行PCoA时使用的特征分解方法。默认情况下，使用SciPy的 eigh ，它计算所有维度的精确特征向量和特征值。另一种方法是， fsvd ，使用更快的启发式特征分解，但会失去准确性。精度损失的大小取决于数据集。
number_of_dimensions (int, optional) -- 要将距离矩阵缩减到的维度。该数字确定将返回多少个特征向量和特征值。默认情况下，等于距离矩阵的维数，作为使用SciPy的默认特征分解 eigh 方法计算所有特征向量和特征值。如果通过使用快速启发式特征分解 fsvd 时，应指定所需的尺寸数量。请注意，默认的特征分解方法 eigh 本身不支持将矩阵降维到指定的维数，因此，如果指定此参数，则只计算所有特征向量和特征值，而不会获得速度增益，并且仅计算 number_of_dimensions 将会被退还。将值指定为 0 默认设置，将设置 number_of_dimensions 的维数等于指定的 distance_matrix 。
inplace (bool, optional) -- 如果为True，则以减少内存消耗的方式使距离矩阵就地居中。
- 返回:
对象，该对象存储PCoA结果，包括特征值、每个特征值解释的比例以及转换后的样本坐标。
- 返回类型:
备注
备注
如果距离不是欧几里得距离(例如，如果距离是半测的，并且三角形不成立)，则可能出现负本征值。有不同的方法来处理这个问题(参见Legendre&Legendre 1998，S 9.2.3)，但目前没有一种方法在这里实现。但是，只要出现负本征值，就会发出警告，允许用户决定是否可以安全地忽略它们。