数量生态学笔记||非约束排序||PCoA

主坐标分析（Principal Coordinates Analysis ,PCoA, =Classical Multidimensional Scaling ，cMDScale）是一种探索和可视化数据相似或不同之处的方法。它从一个相似矩阵或相异矩阵（=距离矩阵）开始，并在一个低维度空间中为每个对象分配一个位置。

PCoA能够将样本之间的相似性距离（虚拟距离），经过投影后，在低维度空间进行距离展示，以最大限度地保留原始样本的距离关系，使相似的样本在图形中的距离更为接近，相异的样本距离更远。因此相比于PCA，PCoA以样本距离为整体考虑，更符合生态学数据特征，应用也更为广泛。

PCoA是一种多维标度方法，是一个探索性的过程方法，其目的主要是：

  • 减少（观察）项目
  • 如果可能，在数据中揭示现有结构
  • 揭示相关特征
  • 寻找尽可能低维度的空间（“最小化条件”）
  • 空间必须满足“单调条件”
  • 解释空间的轴，依照假设提供关于感知和评判过程的信息
# 导入本章所需的程序包 
library(ade4)
library(vegan)
library(gclus)  
library(ape)
rm(list = ls())
setwd("D:\\Users\\Administrator\\Desktop\\RStudio\\数量生态学\\DATA")
# 导入CSV文件数据 
spe <- read.csv("DoubsSpe.csv", row.names=1)
env <- read.csv("DoubsEnv.csv", row.names=1)
spa <- read.csv("DoubsSpa.csv", row.names=1)
# 删除没有数据的样方8
spe <- spe[-8,]
env <- env[-8,]
spa <- spa[-8,]
利用cmdscale 包和vegan包多Doubs数据进行PCoA分析

利用wascores(）函数可以以多度加权平均方式将物种被动投影到样方的PCoA的排序图中。

在非约束排序中被动加入物种，如何解释呢？也同PCA吗？以及后面的约束排序有何区别？

 基于鱼类物种数据Bray-Curtis相异矩阵的PCoA分析
# *********************************************
spe.bray <- vegdist(spe)
spe.b.pcoa <- cmdscale(spe.bray, k=(nrow(spe)-1), eig=TRUE)
# 绘制样方主坐标排序图并用加权平均方法将物种投影到样方PCoA排序图
ordiplot(scores(spe.b.pcoa)[,c(1,2)], type="t", main="PCoA分析（带物种投影）") 
abline(h=0, lty=3)
abline(v=0, lty=3)
# 添加物种
spe.wa <- wascores(spe.b.pcoa$points[,1:2], spe)
text(spe.wa, rownames(spe.wa), cex=0.7, col="red")

# 使用pcoa（）函数运行PCoA分析和物种向量投影
# *****************************************
spe.h.pcoa <- pcoa(dist(spe.h))
# 双序图
par(mfrow=c(1,2))
# 第一个双序图：被动加入Hellinger转化的物种数据
biplot.pcoa(spe.h.pcoa, spe.h, dir.axis2=-1) 
abline(h=0, lty=3)
abline(v=0, lty=3)
# 第二个双序图：被动加入Hellinger转化后标准化的物种数据
spe.std <- apply(spe.h, 2, scale)          
biplot.pcoa(spe.h.pcoa, spe.std, dir.axis2=-1) 
abline(h=0, lty=3)
abline(v=0, lty=3)
#如何比较当前PCoA结果与PCA结果？

> # 基于欧氏和非欧氏距离的PCoA结果比较
> # ***********************************
> # 基于Hellinger距离矩阵PCoA
> is.euclid(dist(spe.h))
[1] TRUE
> #如何比较当前PCoA结果与PCA结果？
> # 基于欧氏和非欧氏距离的PCoA结果比较
> # ***********************************
> # 基于Hellinger距离矩阵PCoA
> is.euclid(dist(spe.h))
[1] TRUE
> summary(spe.h.pcoa)
           Length Class      Mode     
correction   2    -none-     character
note         1    -none-     character
values       5    data.frame list     
vectors    783    -none-     numeric  
trace        1    -none-     numeric  
> spe.h.pcoa$values
    Eigenvalues Relative_eig Broken_stick Cumul_eig Cumul_br_stick
1  7.2228938501 5.133437e-01  0.144128028 0.5133437      0.1441280
2  1.7987448715 1.278400e-01  0.107090991 0.6411837      0.2512190
3  1.2970422885 9.218307e-02  0.088572472 0.7333668      0.3397915
4  1.0780684157 7.662021e-02  0.076226793 0.8099870      0.4160183
5  0.6150272794 4.371107e-02  0.066967534 0.8536980      0.4829858
6  0.4691296076 3.334186e-02  0.059560127 0.8870399      0.5425459
7  0.4122804127 2.930149e-02  0.053387287 0.9163414      0.5959332
8  0.3236126046 2.299972e-02  0.048096282 0.9393411      0.6440295
9  0.1942121662 1.380300e-02  0.043466652 0.9531441      0.6874962
10 0.1685395834 1.197840e-02  0.039351426 0.9651225      0.7268476
11 0.1235468620 8.780692e-03  0.035647722 0.9739032      0.7624953
12 0.0835046563 5.934822e-03  0.032280719 0.9798380      0.7947760
13 0.0759645928 5.398937e-03  0.029194299 0.9852370      0.8239703
14 0.0513764625 3.651415e-03  0.026345296 0.9888884      0.8503156
15 0.0407307694 2.894807e-03  0.023699794 0.9917832      0.8740154
16 0.0313000342 2.224548e-03  0.021230658 0.9940077      0.8952461
17 0.0232647295 1.653465e-03  0.018915843 0.9956612      0.9141619
18 0.0151628431 1.077650e-03  0.016737194 0.9967389      0.9308991
19 0.0133146837 9.462979e-04  0.014679581 0.9976852      0.9455787
20 0.0103052835 7.324146e-04  0.012730263 0.9984176      0.9583090
21 0.0077422970 5.502586e-04  0.010878411 0.9989678      0.9691874
22 0.0063077278 4.483013e-04  0.009114743 0.9994161      0.9783021
23 0.0040023911 2.844570e-04  0.007431241 0.9997006      0.9857334
24 0.0021331293 1.516052e-04  0.005820935 0.9998522      0.9915543
25 0.0013971526 9.929809e-05  0.004277725 0.9999515      0.9958320
26 0.0004271756 3.036012e-05  0.002796244 0.9999819      0.9986283
27 0.0002552902 1.814392e-05  0.001371742 1.0000000      1.0000000
> # 基于Bray-Curtis相异矩阵的PCoA
> is.euclid(spe.bray)
[1] FALSE
> spe.bray.pcoa <- pcoa(spe.bray)
> spe.bray.pcoa$values    # 观察第18轴及之后的特征根
     Eigenvalues  Relative_eig Rel_corr_eig Broken_stick Cum_corr_eig Cumul_br_stick
1   3.695331e+00  5.464785e-01 0.4332316505  0.144128028    0.4332317      0.1441280
2   1.098472e+00  1.624459e-01 0.1343469468  0.107090991    0.5675786      0.2512190
3   7.104740e-01  1.050674e-01 0.0896903953  0.088572472    0.6572690      0.3397915
4   4.149729e-01  6.136766e-02 0.0556797818  0.076226793    0.7129488      0.4160183
5   3.045604e-01  4.503947e-02 0.0429718837  0.066967534    0.7559207      0.4829858
6   1.917884e-01  2.836235e-02 0.0299924247  0.059560127    0.7859131      0.5425459
7   1.569703e-01  2.321333e-02 0.0259850463  0.053387287    0.8118981      0.5959332
8   1.319099e-01  1.950731e-02 0.0231007251  0.048096282    0.8349989      0.6440295
9   1.294251e-01  1.913984e-02 0.0228147364  0.043466652    0.8578136      0.6874962
10  8.667896e-02  1.281839e-02 0.0178948785  0.039351426    0.8757085      0.7268476
11  4.615780e-02  6.825978e-03 0.0132311063  0.035647722    0.8889396      0.7624953
12  3.864487e-02  5.714940e-03 0.0123664087  0.032280719    0.9013060      0.7947760
13  2.745800e-02  4.060586e-03 0.0110788585  0.029194299    0.9123848      0.8239703
14  1.306508e-02  1.932111e-03 0.0094223096  0.026345296    0.9218072      0.8503156
15  7.087896e-03  1.048183e-03 0.0087343669  0.023699794    0.9305415      0.8740154
16  4.039469e-03  5.973709e-04 0.0083835090  0.021230658    0.9389250      0.8952461
17  1.300594e-03  1.923365e-04 0.0080682790  0.018915843    0.9469933      0.9141619
18  0.000000e+00  0.000000e+00 0.0079145195  0.016737194    0.9549078      0.9308991
19 -3.534426e-05 -5.226833e-06 0.0074650365  0.014679581    0.9623729      0.9455787
20 -3.940676e-03 -5.827610e-04 0.0068877933  0.012730263    0.9692607      0.9583090
21 -8.956051e-03 -1.324452e-03 0.0062368816  0.010878411    0.9754975      0.9691874
22 -1.461149e-02 -2.160799e-03 0.0060783322  0.009114743    0.9815759      0.9783021
23 -1.598905e-02 -2.364517e-03 0.0054490158  0.007431241    0.9870249      0.9857334
24 -2.145686e-02 -3.173116e-03 0.0044461644  0.005820935    0.9914711      0.9915543
25 -3.017013e-02 -4.461666e-03 0.0039677639  0.004277725    0.9954388      0.9958320
26 -3.432671e-02 -5.076355e-03 0.0035909666  0.002796244    0.9990298      0.9986283
27 -3.760052e-02 -5.560497e-03 0.0009702192  0.001371742    1.0000000      1.0000000
28 -6.037087e-02 -8.927857e-03 0.0000000000  0.000000000    1.0000000      1.0000000
29 -6.880061e-02 -1.017448e-02 0.0000000000  0.000000000    1.0000000      1.0000000
> # 基于Bray-Curtis相异矩阵平方根的PCoA
> is.euclid(sqrt(spe.bray))
[1] TRUE
> spe.braysq.pcoa <- pcoa(sqrt(spe.bray))
> spe.braysq.pcoa$values  # 观察特征根
   Eigenvalues Relative_eig Broken_stick Cumul_eig Cumul_br_stick
1   3.21560824  0.354677497  0.140256109 0.3546775      0.1402561
2   1.03573822  0.114240607  0.104541823 0.4689181      0.2447979
3   0.80071738  0.088318107  0.086684680 0.5572362      0.3314826
4   0.54426205  0.060031412  0.074779918 0.6172676      0.4062625
5   0.44091188  0.048632019  0.065851347 0.6658996      0.4721139
6   0.38896013  0.042901808  0.058708489 0.7088015      0.5308224
7   0.33391888  0.036830827  0.052756109 0.7456323      0.5835785
8   0.29313251  0.032332143  0.047654068 0.7779644      0.6312325
9   0.25584733  0.028219635  0.043189782 0.8061841      0.6744223
10  0.23652013  0.026087869  0.039221528 0.8322719      0.7136439
11  0.19443183  0.021445584  0.035650099 0.8537175      0.7492940
12  0.18072725  0.019933986  0.032403346 0.8736515      0.7816973
13  0.15112925  0.016669364  0.029427156 0.8903209      0.8111245
14  0.12732111  0.014043356  0.026679903 0.9043642      0.8378044
15  0.10582112  0.011671935  0.024128883 0.9160361      0.8619332
16  0.09697075  0.010695751  0.021747930 0.9267319      0.8836812
17  0.08837033  0.009747135  0.019515787 0.9364790      0.9031970
18  0.07362981  0.008121274  0.017414947 0.9446003      0.9206119
19  0.07259890  0.008007567  0.015430820 0.9526079      0.9360427
20  0.06753369  0.007448880  0.013551121 0.9600568      0.9495938
21  0.06587845  0.007266309  0.011765406 0.9673231      0.9613593
22  0.05253221  0.005794236  0.010064726 0.9731173      0.9714240
23  0.05203557  0.005739458  0.008441350 0.9788568      0.9798653
24  0.04946184  0.005455578  0.006888555 0.9843123      0.9867539
25  0.04130873  0.004556300  0.005400459 0.9888686      0.9921543
26  0.03812350  0.004204973  0.003971888 0.9930736      0.9961262
27  0.03326408  0.003668986  0.002598262 0.9967426      0.9987245
28  0.02953257  0.003257404  0.001275510 1.0000000      1.0000000
> # 基于Bray-Curtis相异矩阵的PCoA（Lingoes校正） 
> spe.brayl.pcoa <- pcoa(spe.bray, correction="lingoes")
> spe.brayl.pcoa$values   # 观察特征根
     Eigenvalues    Corr_eig Rel_corr_eig Broken_stick Cum_corr_eig Cum_br_stick
1   3.695331e+00 3.764131306 0.4332316505  0.144128028    0.4332317    0.1441280
2   1.098472e+00 1.167272861 0.1343469468  0.107090991    0.5675786    0.2512190
3   7.104740e-01 0.779274609 0.0896903953  0.088572472    0.6572690    0.3397915
4   4.149729e-01 0.483773541 0.0556797818  0.076226793    0.7129488    0.4160183
5   3.045604e-01 0.373361024 0.0429718837  0.066967534    0.7559207    0.4829858
6   1.917884e-01 0.260589051 0.0299924247  0.059560127    0.7859131    0.5425459
7   1.569703e-01 0.225770961 0.0259850463  0.053387287    0.8118981    0.5959332
8   1.319099e-01 0.200710550 0.0231007251  0.048096282    0.8349989    0.6440295
9   1.294251e-01 0.198225738 0.0228147364  0.043466652    0.8578136    0.6874962
10  8.667896e-02 0.155479574 0.0178948785  0.039351426    0.8757085    0.7268476
11  4.615780e-02 0.114958410 0.0132311063  0.035647722    0.8889396    0.7624953
12  3.864487e-02 0.107445488 0.0123664087  0.032280719    0.9013060    0.7947760
13  2.745800e-02 0.096258614 0.0110788585  0.029194299    0.9123848    0.8239703
14  1.306508e-02 0.081865696 0.0094223096  0.026345296    0.9218072    0.8503156
15  7.087896e-03 0.075888508 0.0087343669  0.023699794    0.9305415    0.8740154
16  4.039469e-03 0.072840082 0.0083835090  0.021230658    0.9389250    0.8952461
17  1.300594e-03 0.070101207 0.0080682790  0.018915843    0.9469933    0.9141619
18  0.000000e+00 0.068765269 0.0079145195  0.016737194    0.9549078    0.9308991
19 -3.534426e-05 0.064859937 0.0074650365  0.014679581    0.9623729    0.9455787
20 -3.940676e-03 0.059844562 0.0068877933  0.012730263    0.9692607    0.9583090
21 -8.956051e-03 0.054189118 0.0062368816  0.010878411    0.9754975    0.9691874
22 -1.461149e-02 0.052811562 0.0060783322  0.009114743    0.9815759    0.9783021
23 -1.598905e-02 0.047343750 0.0054490158  0.007431241    0.9870249    0.9857334
24 -2.145686e-02 0.038630480 0.0044461644  0.005820935    0.9914711    0.9915543
25 -3.017013e-02 0.034473899 0.0039677639  0.004277725    0.9954388    0.9958320
26 -3.432671e-02 0.031200098 0.0035909666  0.002796244    0.9990298    0.9986283
27 -3.760052e-02 0.008429746 0.0009702192  0.001371742    1.0000000    1.0000000
28 -6.037087e-02 0.000000000 0.0000000000  0.000000000    1.0000000    1.0000000
29 -6.880061e-02 0.000000000 0.0000000000  0.000000000    1.0000000    1.0000000
> # 基于Bray-Curtis相异矩阵的PCoA（Cailliez校正）
> spe.brayc.pcoa <- pcoa(spe.bray, correction="cailliez")
> spe.brayc.pcoa$values   # 观察特征根
     Eigenvalues   Corr_eig Rel_corr_eig Broken_stick Cum_corr_eig Cum_br_stick
1   3.695331e+00 5.20461437 0.4442681027  0.144128028    0.4442681    0.1441280
2   1.098472e+00 1.60465006 0.1369736134  0.107090991    0.5812417    0.2512190
3   7.104740e-01 1.09152082 0.0931726832  0.088572472    0.6744144    0.3397915
4   4.149729e-01 0.68985417 0.0588862466  0.076226793    0.7333006    0.4160183
5   3.045604e-01 0.52129425 0.0444978992  0.066967534    0.7777985    0.4829858
6   1.917884e-01 0.38710929 0.0330438139  0.059560127    0.8108424    0.5425459
7   1.569703e-01 0.36447367 0.0311116277  0.053387287    0.8419540    0.5959332
8   1.319099e-01 0.29671255 0.0253275095  0.048096282    0.8672815    0.6440295
9   1.294251e-01 0.27559544 0.0235249448  0.043466652    0.8908064    0.6874962
10  8.667896e-02 0.21600584 0.0184383509  0.039351426    0.9092448    0.7268476
11  4.615780e-02 0.15419396 0.0131620626  0.035647722    0.9224069    0.7624953
12  3.864487e-02 0.15378333 0.0131270104  0.032280719    0.9355339    0.7947760
13  2.745800e-02 0.11812808 0.0100834637  0.029194299    0.9456173    0.8239703
14  1.306508e-02 0.08848541 0.0075531526  0.026345296    0.9531705    0.8503156
15  7.087896e-03 0.07304055 0.0062347726  0.023699794    0.9594053    0.8740154
16  4.039469e-03 0.06999353 0.0059746780  0.021230658    0.9653799    0.8952461
17  1.300594e-03 0.05712927 0.0048765792  0.018915843    0.9702565    0.9141619
18  0.000000e+00 0.05587583 0.0047695843  0.016737194    0.9750261    0.9308991
19 -3.534426e-05 0.05432215 0.0046369623  0.014679581    0.9796631    0.9455787
20 -3.940676e-03 0.04912221 0.0041930931  0.012730263    0.9838562    0.9583090
21 -8.956051e-03 0.04100207 0.0034999542  0.010878411    0.9873561    0.9691874
22 -1.461149e-02 0.03777775 0.0032247250  0.009114743    0.9905808    0.9783021
23 -1.598905e-02 0.03451234 0.0029459878  0.007431241    0.9935268    0.9857334
24 -2.145686e-02 0.02959507 0.0025262474  0.005820935    0.9960531    0.9915543
25 -3.017013e-02 0.02436729 0.0020800022  0.004277725    0.9981331    0.9958320
26 -3.432671e-02 0.01902747 0.0016241925  0.002796244    0.9997573    0.9986283
27 -3.760052e-02 0.00284371 0.0002427403  0.001371742    1.0000000    1.0000000
28 -6.037087e-02 0.00000000 0.0000000000  0.000000000    1.0000000    1.0000000
29 -6.880061e-02 0.00000000 0.0000000000  0.000000000    1.0000000    1.0000000
#如果要选择承载最大比例变差的前两轴去了解数据的结构，你会选择上面哪
#种结果呢？

参考：
排序--5--PCoA主坐标分析（1） (principal coordinate analysis)
Ordination_sections
wiki||Multidimensional scaling
統計26回: PCA 和 PCoA 有什麼不一樣
GUSTA ME||Principal coordinates analysis

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 159,716评论 4赞 364
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 67,558评论 1赞 294
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 109,431评论 0赞 244
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 44,127评论 0赞 209
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 52,511评论 3赞 287
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 40,692评论 1赞 222
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 31,915评论 2赞 313
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 30,664评论 0赞 202
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 34,412评论 1赞 246
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,616评论 2赞 245
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,105评论 1赞 260
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 28,424评论 2赞 254
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 33,098评论 3赞 238
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,096评论 0赞 8
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,869评论 0赞 197
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 35,748评论 2赞 276
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 35,641评论 2赞 271

推荐阅读更多精彩内容