在线作图丨数据降维方法②——主坐标分析PCoA

什么是PCoA？
主坐标分析（principal co-ordinates analysis，PCoA）呈现研究数据相似性或差异性的可视化坐标，是一种非约束性的数据降维分析方法，可用来研究样本群落组成的相似性或相异性。PCoA以样本距离为整体考虑，更符合生态学数据特征，在微生物分析领域应用也更为广泛。
​
PCoA和PCA的区别
与PCA类似，通过一系列的特征值和特征向量进行排序后，选择主要排在前几位的特征值，找到距离矩阵中最主要的坐标，图片是数据矩阵的一个降维投影，它没有改变样本点之间的相互位置关系，只是改变了坐标系统。两者的区别为PCA是基于样本的相似系数矩阵(如欧式距离)来寻找主成分，而PCoA是基于距离矩阵(欧式距离以外的其他距离)来寻找主坐标。
Tips：方法没有绝对的好坏之分，主要是不同的研究目的而采用更为适合的方法进行数据展示。如果实在不知道哪一种方法更适合，可以使用同时使用多个方法进行分析，最终挑选最能解释生物学问题的方案。

如何不使用R语言生成一个PCoA图？
小编和他的小伙伴们开发了一个在线的作图小网站——云图图（www.cloudtutu.com，免费的哦~），操作步骤如下：
①登录网址：www.cloudtutu.com（推荐使用360或者谷歌浏览器）
②输入用户名和密码（小编已经为大家填好了，如果不显示可添加文末二维码添加小编获取），输入验证码后即可登录，不必注册，直接使用，不必担心隐私泄露，是不是诚意满满~
③登录后在工具一栏（基础分析）里找到PCoA，点击进入；
④请按照界面右侧的说明书或者下文进行操作，即可在2分钟内获得一张精美的PCA图喽~
话不多说，我们开始行动吧~

Step 1 上传文件

※目前平台仅支持.txt(制表符分隔)文本文件或者.csv文件的文件上传；
平台可对不规范的数据格式进行部分处理，但还是请您尽量按照示例数据的格式调整数据，以便机器可以识别。数据形式见示例数据：
a) 准备一个数据矩阵（如微生物物种丰度表、基因表达量矩阵、