使用R语言进行perMANVOA分析NMDS结果多个分组之间显著性

library(vegan)
otu_table.csv <- read.csv("C:/Users/baixin/Desktop/data_nmds.csv",header = T,row.names = 1,check.names=FALSE)
#check.names=FALSE，防止把数值列名转换成添加字母的形式,row.name=1,规定首列为行名，header = T首行为列名
#View(otu_table.csv)#Seeing the data by the type of table.以表格形式查看
#otu_table.csv#输出台查看
otu_transition <- data.frame(t(otu_table.csv))#将OTU 丰度表转换为需要的格式，otu正常为首行表示样本名称，首列表示多个样本检测指标名称
#View(otu_transition)
#otu_transition
#样本分组文件
group <- read.csv("C:/Users/baixin/Desktop/groups.csv")#读入分组文件
#View(group)##PERMANOVA 分析（所有分组间比较，即整体差异）
#（2）若是使用 OTU 丰度表，则需要在计算时指定所依据的距离类型，这里依然使用 Bray-Curtis 距离
adonis_result_otu_transition <- adonis2(otu_transition ~ site, group, permutations = 999, distance = 'bray',by="margin")
#这条命令的详情和上述命令所表示的信息一致，表中必须全为数值，不能有一行或列全为0，by="margin"表示变量排列顺序对判断无关
#adonis_result_otu_transition#可选输出
otuput <- data.frame(adonis_result_otu_transition, check.names = FALSE, stringsAsFactors = F)
if (otuput[1,'Pr(>F)'] <= 0.001) otuput[1, 'SIG'] <- '***' else if (otuput[1,'Pr(>F)'] <= 0.01) otuput[1, 'SIG'] <- '**' else if (otuput[1,'Pr(>F)'] <= 0.05) otuput[1, 'SIG'] <- '*'
otuputwrite.csv(otuput,"C:/Users/baixin/Desktop/otuput.csv")##PERMANOVA 分析（使用循环处理，进行小分组间比较，如两组间）
#推荐使用 OTU 丰度表作为输入数据，每次筛选分组后重新计算样本距离，避免由于样本数减少可能导致的距离变动而造成误差
group_name <- unique(group$site)#判定一共分为几组，得到组名附值给group_name
#group_name#输出“b”，“a”，“c”
adonis_result_two <- NULL
for (i in 1:(length(group_name) - 1)) {#从范围中选择i和jfor (j in (i + 1):length(group_name)) {group_ij <- subset(group, site %in% c(group_name[i], group_name[j]))#选择两个分组otu_ij <- otu_transition[group_ij$yangdian, ]#group_ij$yangdian将行名符合group_ij的数据提取出来赋值给otu_ijadonis_result_otu_ij <- adonis2(otu_ij~site, group_ij, permutations = 999, distance = 'bray',by="margin")#随机置换检验 999 次adonis_result_two <- rbind(adonis_result_two,c(paste(group_name[i], group_name[j], sep = '/'), '以Bray-Curtis比较', unlist(data.frame(adonis_result_otu_ij, check.names = FALSE)[1, ])))}
}
#View(otu_ij)
#可选标记 “*” 显著性，nrow(adonis_result_two)表示adonis_result_two数量
#'Pr(>F)'需要在输出控制台复制，不同版本可能表达不同,
adonis_result_two <- data.frame(adonis_result_two,check.names = FALSE, stringsAsFactors = F)
for (i in 1:nrow(adonis_result_two)) {if (adonis_result_two[i, 'Pr(>F)'] <= 0.001) adonis_result_two[i, 'SIG'] <- '***'else if (adonis_result_two[i, 'Pr(>F)'] <= 0.01) adonis_result_two[i, 'SIG'] <- '**'else if (adonis_result_two[i, 'Pr(>F)'] <= 0.05) adonis_result_two[i, 'SIG'] <- '*'
}#此段代码只能放在上一行转置代码后
adonis_result_two
write.csv(adonis_result_two ,"C:/Users/baixin/Desktop/output_two.csv")

使用R语言进行perMANVOA分析NMDS结果多个分组之间显著性相关推荐

R语言亚组分析 (Subgroup Analysis)及森林图绘制实战
R语言亚组分析 (Subgroup Analysis)及森林图绘制实战目录 R语言亚组分析 (Subgroup Analysis)及森林图绘制实战 #亚组分析
R语言伪相关性分析（Spurious Correlation）、相关关系不是因果关系：以哺乳动物数据集msleep为例
R语言伪相关性分析(Spurious Correlation):相关关系不是因果关系.相关关系不是因果关系.相关关系不是因果关系 #correlation doesn't means causatio ...
R语言伪相关性分析（Spurious Correlation）、相关关系不是因果关系：以缅因州离婚率数据集为例
R语言伪相关性分析(Spurious Correlation).相关关系不是因果关系:以缅因州离婚率数据集为例 #correlation doesn't means causation 目录
R语言构建生存分析（survival analysis）模型示例
R语言构建生存分析(survival analysis)模型示例生存分析处理的是预测特定事件将要发生的时间.它也被称为失败时间分析或死亡时间分析.例如,预测癌症患者存活的天数,或者预测机械系统将要失 ...
pvrect r语言聚类_技术贴 | R语言——肠型分析：介绍、方法
点击蓝字↑↑↑"微生态",轻松关注不迷路导读 2011年,肠型(Enterotypes)的概念首次在<自然>杂志上由Arumugam等[1]提出,该研究发现可以将人类 ...
R语言实现单因素方差分析
1.方差分析基本原理:是一种分析各类别自变量对数值因变量影响的一种统计方法.自变量对因变量的影响也称为自变量效应.由于影响效应的大小体现为因变量的误差里有多少是由自变量造成的,因此,方差分析通过对数据 ...
R语言逻辑回归预测分析付费用户
原文链接:http://tecdat.cn/?p=967 对于某企业新用户,会利用大数据来分析该用户的信息来确定是否为付费用户,弄清楚用户属性,从而针对性的进行营销,提高运营人员的办事效率(点击文末& ...
r语言实现关联分析--关联规则挖掘（Apriori算法）（r语言预测学习笔记）
r语言实现关联分析–关联规则挖掘关联分析: 引子: 我们一般把一件事情发生,对另一间事情也会产生影响的关系叫做关联.而关联分析就是在大量数据中发现项集之间有趣的关联和相关联系(形如"由于某 ...
R语言灰色关联分析法
R语言灰色关联分析法输入数据数据的标准化/归一化求灰色系数求差序列和最大值最小值求关联系数计算关联度并排序所有代码灰色关联度分析(Grey Relation Analysis,GRA) ...

使用R语言进行perMANVOA分析NMDS结果多个分组之间显著性

使用R语言进行perMANVOA分析NMDS结果多个分组之间显著性相关推荐

最新文章

热门文章