Wie bekomme ich `skbio` PCoA (Hauptkoordinatenanalyse) Ergebnisse?

Question

Ich bin auf die attributes von skbio'sPCoA Methode (unten aufgeführt). Ich bin neu in diesem API und ich möchte in der Lage sein, die eigenvectors und die ursprünglichen Punkte projiziert auf die neue Achse ähnlich .fit_transform in sklearn.decomposition.PCA, so kann ich einige PC_1 vs PC_2-Plots erstellen. Ich habe herausgefunden, wie man die eigvals und proportion_explained aber features kommt wieder als None.

Ist das, weil es in der Beta ist?

Wenn es irgendwelche Tutorials gibt, die dies verwenden, würde das sehr geschätzt werden. Ich bin ein großer Fan von scikit-learn und möchte mehr Produkte von scikit's verwenden.

| 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 

Hier ist mein Code, um das principal component analysis Objekt zu erzeugen.

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) 

Answer 1

Sie können die transformierte Probe mit OrdinationResults.samples Koordinaten zuzugreifen. Dies gibt eine pandas.DataFrame Zeile zurück, indiziert durch die Proben-ID (d. H. Die IDs in Ihrer Abstandsmatrix). Da die Hauptkoordinatenanalyse auf einer Abstandsmatrix von Abtastwerten arbeitet, sind transformierte Merkmalskoordinaten (OrdinationResults.features) nicht verfügbar. Bei anderen Ordinationsverfahren in scikit-bio, die eine Stichprobe x Merkmalstabelle als Eingabe akzeptieren, sind die transformierten Merkmalskoordinaten verfügbar (z. B. CA, CCA, RDA).

Seitliche Anmerkung: Der Aufruf distance.squareform ist nicht erforderlich, da skbio.DistanceMatrix quadratische oder Vektorform-Arrays unterstützt.