代码（2）：聚类图以及PCA图

最新推荐文章于 2024-10-07 09:25:17 发布

原创最新推荐文章于 2024-10-07 09:25:17 发布

· 1.3k 阅读

0 ·

版权

文章标签：

#生物信息学

在进行数据分析时，检查数据的分组合理性至关重要。通过使用欧氏距离的聚类图和主成分分析（PCA）图，可以评估样本之间的差异。若聚类结果未能有效区分群体，可能表明个体间的差异大于处理后的差异。PCA图则有助于理解变量间的关系及样本的分布。使用`hclust`和`PCA`函数进行聚类和降维，并通过`fviz_pca_ind`展示结果，以便于分析和解释数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

写在前面

帮忙处理数据时，拿到数据第一件事就是看下所谓之前的分组是不是合理的有效，如果不合理有效又应该如何呢？这是一个非常重要的问题。

聚类图

d <- dist(t(logCPM), method = "euclidean")

# 聚类,类之间还是没有分开，这个说明了什么问题，这个说明的是个体的差异比加药后的差异大
# for 循环批量计算聚类并绘图
for (i in c("complete","average","ward.D")) {
  hc1 <- hclust(d, method = i)
  plot(hc1, cex = 0.6, hang = -1,main = i)
}

在这里插入图片描述

PCA图

dat=as.data.frame(t(logCPM)) # 画PCA图时要求是行名时样本名，列名时探针名，因此此时需要转换。格式要求data.frame
library("FactoMineR")# 计算PCA
library("factoextra")# 画图展示
dat.pca <- PCA(dat, graph = F)
# fviz_pca_ind按样本  fviz_pca_var按基因
fviz_pca_ind(dat.pca,
             geom.ind = "text", # c("point", "text)2选1
             col.ind = group_list, # color by groups
             # palette = c("#00AFBB", "#E7B800"),# 自定义颜色
             addEllipses = T, # 加圆圈
             legend.title = "Groups"# 图例名称
)

在这里插入图片描述