大家好，最近在研究非约束排序，查询很多资料，根据自己的理解整理这篇文章，希望自己整理的能给大家提供帮助，如果自己整理的有误，麻烦大家给我指点，谢谢，我们一同成长。
非约束排序：
一、主成分分析PCA
1．环境因子标准化
由于环境因子之间单位不一致，为了让后续处理一致，减少误差，所以需要对环境因子标准化,使用scale=TURE;如果原始环境因子的数据单位是一致可以不用标准化，scale=FALSE。
env.pca<-rda(env, scale=TRUE)
2.物种原始数据处理（Hellinger转化）
PCA分析致力于分析定量数据，展示欧式距离和线性关系。当主成分分析在包含很多0值 且丰度差别很大的物种组成数据时进行处理时非常糟糕。为此生态学家的普遍建议，将预转化的物种组成数据（例如Hellinger转化）用作PCA的输入，可有效地将“非均匀”物种组成数据同样适用于PCA（tb-PCA）,或者使用主坐标分析PCOA。通常情况下，如果你的物种数据原始数据出现的零过多，可以使用Hellinger转化。
spe.h<-decostand(spe,“Hellinger”)
3. PCA轴的选择(使用带棍的碎石图)
选择标准：第一种选取特征根大于所对应的断棍长度的轴，第二种选取特征的总和大于所对应断棍长度总和前几轴。
Screeplot(env.pca,bstick=TRUE,npcs=length(env.pca$CA$eig))
4.双序图(scaling=1/2)与前面的scale标准化函数无关
PCA-1型标尺（对象之间的距离）
Bioplot(env.pca,scaling=1,main=“PCA-1型标尺”)
PCA-2型标尺（变量之间的相关性）
Bioplot(env.pca,scaling=2,main=“PCA-1型标尺”) bioplot默认scaling=2
5.将环境因子被动加入物种数据PCA分析（使用PCA函数）
Biplot（spe.p.pca，main=“鱼类数据PCA-2型标尺”, scaling=2）
spe.h.pca.env<-envfit (spe.h.pca,env, scaling=2))
二、对应分析CA
对应分析是分析物种有-无或多度数据最受欢迎的工具之一，CA非常使用原始的物种多度数据分析（无须预转化）。
1.环境变量的被动曲线拟合（使用ordisurf()函数，envfit()函数）
spe.ca.env<-envfit(spe.ca~dis+amm,env) #dis,amm为水体流量，铵浓度
plot(spe.ca.env)
ordisurf(spe.ca.env$dis,add=TRUE)
ordisurf(spe.ca.env$amm,add=TRUE,col=“green”)
三、主坐标分析PCoA
1.利用cmdscale()和vegan()函数对物种数据进行PCOA分析
Spe.bray<-vegdist()
Spe.b.pca<-cmdscale(spe.bray,k=(nrow(spe)-1),eig=TRUE)
spe.b.pcoa.env<-envfit(spe.b.pcoa,env)
2.使用pcoa()函数对doubs数据进行pcoa分析
3.#hellinger转化的物种数据
Bioplot.pcoa(spe.h.pcoa,spe.h,dir.axis1=-1)
Abline(h=0,lty=3)
Abline(v=0,lty=3)
Text(-0.5,0.45,‘a’,cex=2)
4.#标准化hellinger转化的物种数据
spe.sted<-scale(spe.h)
Bioplot.pcoa(spe.h.pcoa, spe. std,dir.axis1=-1)
Abline(h=0,lty=3)
Abline(v=0,lty=3)
Text(-0.5,0.45,‘a’,cex=2)
四、非度量多维尺度分析NMDS
1.metaMDS（）函数
Spe.nmds<-metamds（spe,distance=“bray”）
Spe.nmds
Spe.nmds$stress
2.评估nmds拟合度的shepard图或直接用排序内对象的距离与原始记录进行线性或非线性回归的R2来评估nmds的拟合度
Par(mfrow=c(1,2))
Stressplot(spe.nmds,main=”shepard图”)
gof<-goodness(spe.nmds)
plot(spe.nmds,type=“t”,main=“拟合度”)
https://mp.weixin.qq.com/s/yG-0ZNGCEcGjm0ZFqhXocA
https://mp.weixin.qq.com/s/uWX9CUBNR2ybJ1LxFhKefQ
