`skbio` PCoA（Principal Coordinate Analysis）の結果を得る方法は？

Question

私はattributesをskbio'sPCoA（以下に記載）の方法で探しています。私はこの新しいAPIに新しく、を得て、.fit_transformのsklearn.decomposition.PCAに似た新しい軸に投影された元の点が得られるように、PC_1 vs PC_2スタイルのプロットを作成することができます。私はeigvalsとproportion_explainedを得る方法を考え出しましたが、featuresはNoneとして戻ってきます。

これはベータ版のためですか？

これを使用するチュートリアルがあれば、それは非常に感謝しています。私はscikit-learnの巨大なファンであり、より多くの製品を使用開始したいと考えていますscikit's製品。

| 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 

ここにprincipal component analysisオブジェクトを生成するコードです。

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

あなたは、変換されたサンプルは、OrdinationResults.samplesと調整アクセスすることができます。これにより、サンプルID（すなわち、距離行列のID）によって行インデックスされたpandas.DataFrameが返されます。主座標分析はサンプルの距離マトリックス上で動作するので、変換された特徴座標（OrdinationResults.features）は利用できません。サンプルx特徴テーブルを入力として受け入れるscikit-bioの他のアライメント方法は、利用可能な変換された特徴座標（例えば、CA、CCA、RDA）を有する。

注：skbio.DistanceMatrixは方形またはベクトル形式の配列をサポートしているため、distance.squareformコールは不要です。