r语言主成分分析_R语言实现PCOA分析

大家对主成分分析(principal components analysis, PCA) 都很熟悉，但是今天我们来介绍下主坐标分析(principal coordinate analysis, PCoA)。那么这两个差了个o字母具体有什么区别？首先PCA是常用的降维算法；利用线性变换，将数据变换到一个新的坐标系统中;然后再利用降维的思想，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上。这种降维的思想首先减少数据集的维数，同时还保持数据集的对方差贡献最大的特征，最终使数据直观呈现在二维坐标系。PCoA主要是探索数据相似度或者相异度可视化方法。可呈现研究数据相似性或差异性的可视化坐标，是一种非约束性的数据降维分析方法，可用来研究样本群落组成的相似性或相异性。其实通俗的讲，PCA主要是基于原始数据矩阵的降维；PCoA主要是基于样本的原始数据计算出来的距离矩阵的降维。如果样本数目比较多，而物种数目比较少，那肯定首选PCA;如果样本数目比较少，而物种数目比较多，那肯定首选PCoA。

接下来我们看下在R中如何去实现，首先安装ape包和vegan包，联合使用才能达到最终的目的。包的安装我们就不赘述了，其在CRAN平台，直接install.packages()。

首先是数据的导入，我们利用vegan自带的数据dune。具体的数据集的构成大家可以直接在包的信息中去看。接下来我们首先基于dune数据构造距离矩阵，需要用到的函数vegdist。

vegdist(x, method="bray",binary=FALSE, diag=FALSE, upper=FALSE,

       na.rm = FALSE, ...)

其中主要的参数：

Method 支持了目前大部分的距离计算函数。"manhattan", "euclidean", "canberra","clark