多变量分析 (Multivariate Analysis)

https://npyc-toolbox.readthedocs.io/en/latest/multivariate.html

multicariate模块为对象Dataset`对象提供多变量分析

该模块可以实现：

• 主成分分析 (Principal Components Analysis, PCA) [1]

[1] Pearson, K., “On Lines and Planes of Closest Fit to Systems of Points in Space”, Philosophical Magazine. 2 (11):559–572., 1901 doi:10.1080/14786440109462720.

nPYc.multivariate.pcaSignificance(values, classes, valueType)

• 计算值（PCA得分图）和组别（样品元数据sample metadata)之间是否存在潜在关联的局部函数。通过相关(连续数据)或Kruskal-Wallis检验(分类数据)

• Params numpy. ndarray values:

  • Array of values (例如：PCA得分图)

  • Params pandas. series classes:

  • Serries of values (例如：样品的元数据)

  • Params pandas. series value Type:

  • 每个类条目的实例类型Sample type of each class entry

nPYc.multivariate.``metadataTypeGrouping(classes, sampleGroups=None, catVsContRatio=0.75)

• 计算值（PCA得分图）和组别（样品元数据sample metadata)之间是否存在潜在关联的局部函数。通过相关(连续数据)或Kruskal-Wallis检验(分类数据)

• Params pandas. series classes:

  • Series of values （例如：样品的元数据）

  • Params pandas. series value Type:

  • 每个类条目的实例类型Sample type of each class entry

  • Params float catVsContRatio:

  • 数值分类数据与连续数值数据的比值。如果唯一条目数/样本总数之间的比值超过这个阈值数据，则视为连续数据，否则视为类别数据。

nPYc.multivariate.exploratoryAnalysisPCA(npycDataset, scaling=1, maxComponents=10, minQ2=0.05, withExclusions=False, **kwargs)

• 在Dataset使用PCA对所包含的数据进行探索性分析

• 参数：

• npycDataset(Dataset)-要进行分析的数据集

  • scaling-建模的选择

  • minQ2-比上一个要添加的组件，在Q2Y中至少有%的改进

  • withExclusions(Boolean)-如果为真，则在应用特性和样本掩码后，PCA将被安装在npyc_dataset上，如果为假，则在整个数据集上执行PCA

• 返回：

拟合的主成分分析模型

• 返回方式：

化学计量学PCA