Machine learning 如何获得“skbio”PCoA（主坐标分析）结果？

我正在查看

skbio的
PCoA
方法（如下所列）的
属性。我不熟悉这个
API
，我希望能够得到
特征向量
和投影到新轴上的原始点，类似于
sklearn.decomposition.PCA中的
拟合变换
，这样我就可以创建一些
PC_1与PC_2
风格的图。我知道了如何获得
eigvals
和
比例(解释
但是
功能
返回为
无

那是因为它是测试版吗

如果有任何教程使用此功能，将不胜感激。我是
scikit learn
的超级粉丝，我想开始使用更多的
scikit的
产品

|  Attributes
 |  ----------
 |  short_method_name : str
 |      Abbreviated ordination method name.
 |  long_method_name : str
 |      Ordination method name.
 |  eigvals : pd.Series
 |      The resulting eigenvalues.  The index corresponds to the ordination
 |      axis labels
 |  samples : pd.DataFrame
 |      The position of the samples in the ordination space, row-indexed by the
 |      sample id.
 |  features : pd.DataFrame
 |      The position of the features in the ordination space, row-indexed by
 |      the feature id.
 |  biplot_scores : pd.DataFrame
 |      Correlation coefficients of the samples with respect to the features.
 |  sample_constraints : pd.DataFrame
 |      Site constraints (linear combinations of constraining variables):
 |      coordinates of the sites in the space of the explanatory variables X.
 |      These are the fitted site scores
 |  proportion_explained : pd.Series
 |      Proportion explained by each of the dimensions in the ordination space.
 |      The index corresponds to the ordination axis labels

下面是我生成
主成分分析
对象的代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn import decomposition
import seaborn as sns; sns.set_style("whitegrid", {'axes.grid' : False})
import skbio
from scipy.spatial import distance

%matplotlib inline
np.random.seed(0)

# Iris dataset
DF_data = pd.DataFrame(load_iris().data, 
                       index = ["iris_%d" % i for i in range(load_iris().data.shape[0])],
                       columns = load_iris().feature_names)
n,m = DF_data.shape
# print(n,m)
# 150 4

Se_targets = pd.Series(load_iris().target, 
                       index = ["iris_%d" % i for i in range(load_iris().data.shape[0])], 
                       name = "Species")

# Scaling mean = 0, var = 1
DF_standard = pd.DataFrame(StandardScaler().fit_transform(DF_data), 
                           index = DF_data.index,
                           columns = DF_data.columns)

# Distance Matrix
Ar_dist = distance.squareform(distance.pdist(DF_standard.T, metric="braycurtis")) # (m x m) distance measure
DM_dist = skbio.stats.distance.DistanceMatrix(Ar_dist, ids=DF_standard.columns)
PCoA = skbio.stats.ordination.pcoa(DM_dist)

您可以使用
OrdinationResults.samples
访问转换后的样本坐标。这将返回一个按样本ID（即距离矩阵中的ID）索引的
pandas.DataFrame
行。由于主坐标分析对样本的距离矩阵进行操作，因此转换后的特征坐标（
OrdinationResults.features
）不可用。scikit bio中接受样本x特征表作为输入的其他排序方法将具有可用的转换特征坐标（例如CA、CCA、RDA）

旁注：
distance.squareform
调用是不必要的，因为
skbio.DistanceMatrix
支持正方形或向量形式的数组。
我相信
。samples
没有返回任何内容。我可以再试一次，我会确保更新我的
skbio
。我一直在读关于PCoA的书，很多资料都很神秘。就PCA而言，其步骤是否相同，但在距离矩阵而不是协方差矩阵上进行特征分解？
。由
pcoa
生成的
排序结果
需要样本
。如果您仍然获得
无
，请将问题发布在网站上好吗？我的理解是，PCoA应用于距离矩阵，允许使用非欧几里德距离度量，而PCA应用于特征表，并使用欧几里德距离。因此，在欧几里德距离矩阵上运行PCoA相当于PCA。排序方法的有用资源。
DF=skbio.OrdinationResults（long_method_name=“TESTING”，short_method_name=“test”，eigvals=PCoA.eigvals，samples=DF_data）DF.samples
返回未转换的原始数据。我做得不对吗？是的。您不需要直接构造
skbio.OrdinationResults
对象，它只保存排序方法的结果。scikit bio中的每个排序方法都会为您创建此结果对象，您可以从中访问结果。使用该函数在
skbio.DistanceMatrix
对象上运行PCoA。您将收到一个
skbio.OrdinationResults
对象，您可以在该对象上调用
.samples
，以检索转换后的样本坐标。没问题，乐意帮助！