r语言rank降序_常见排序分析方法及R语言实现

常用排序分析方法

相信大家在做微生物多样性研究时经常听到PCA分析、PCoA分析，NMDS分析，CCA分析，RDA分析。它们对物种(或基因、功能)的分析具有重要作用，因而频频出现在16S测序及宏基因组测序中。以上分析本质上都属于排序分析(Ordination analysis)。

排序分析(ordination analysis)，最早是生态学(ecology)中研究群落(communities)的一大类多元分析手段，将某个地区调查的不同环境(site)以及所对应的物种组成(species)，按照相似度(similarity)或距离(distance)对site在排序轴上(ordination axes)进行排序，将其表示为沿一个或多个排序轴排列的点，从而分析各个site或species与环境因子之间的关系。其目的是把多维空间压缩到低维空间(如二维)，并且保证因维数降低而导致的信息量损失尽量少，实体(site或species)按其相似关系重新排列，提高其可理解性(interpretability)；同时，通过统计手段检验排序轴(ordination axes)是否能真正代表环境因子的梯度(gradient)1。

因此，排序分析的作用可以总结为两个方面：①降维；②探索性分析；

常用的排序方法如下2：

排序分析方法

Raw data based (线性模型)

Raw data based (单峰模型)

Distance based

间接排序法 (非限制性)

PCA

CA，DCA

PCoA，NMDS

直接排序法 (限制性)

RDA

CCA

dbRDA

其中间接排序法包括：

PCA(principal components analysis，主成分分析)

CA(correspondence analysis，对应分析)

DCA(Detrended correspondenceanalysis, 去趋势对应分析)

PCoA(principal coordinate analysis，主坐标分析)

NMDS(non-metric multi-dimensional scaling，非度量多维尺度分析)；

直接排序法包括：

RDA(Redundancy analysis，冗余分析)

CCA(canonical correspondence analysis，典范对应分析)

dbRDA(distance based redundancy analysis，基于距离的冗余分析)