三维PCA
主成分分析算法（PCA）是最常用的线性降维方法。PCA降维为了在尽量保证“信息量不丢失”的情况下，对原始特征进行降维，也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到这些维度上，使降维后信息量损失最小。PCA降维结果的可视化不仅可以用二维坐标表示，还可用三维坐标表示，即三维PCA图。
image
TUTU网站工具使用
云图图（www.cloudtutu.com）可以画很多小伙伴问的三维PCA图！！！
操作步骤如下：
①登录网址：https://www.cloudtutu.com/#/index；
（推荐使用360或者谷歌浏览器）
②输入用户名和密码（已经为大家填好了），输入验证码后即可登录，不必注册，直接使用；
③登录后在工具一栏（全部分析）里找到三维PCA，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分钟内获得一张三维PCA图。
image
Step 01 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)
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、代谢物含量表，也可以是测量数据，例如身高、体重、表型等）；
b) 表格需要带表头和列名，每一列为样本名，每一行为各种指标数据名，例如OTU，基因ID、身高、代谢物名称等。
image
Step 02 参数设置
2.1在界面右侧编辑分组信息：需要对所有样品进行分组，本网站支持在线修改分组名称的功能。有在线输入(方式一)和手动粘贴(方式二)两种方式。(绘图前必须检查分组名称)
image
2.2 方法选择：本平台提供hellinger、normalize、standardize、total、max、freq、range等方法
a) hellinger，hellinger转化，就是总和标准化数据的平方根(default MARGIN=1)，hellinger转化后的数据使用欧氏距离函数计算将得到hellinger距离矩阵。
b) normalize，模标准化，将数据除以每行或者每列的平方和的平方根(default MARGIN=1)，模标准化后每行、列的平方和为1（向量的模为1），也即在笛卡尔坐标系中到原点的欧氏距离为1，样品分布在一个圆弧上，彼此之间的距离为弦长，因此也称为弦转化。在基于欧氏距离的PCA、RDA中分析群落数据可以将每个样方弦转化可以弥补欧氏距离的缺陷。弦转化后的数据使用欧氏距离函数计算将得到弦距离矩阵。
c) standardize，z-score标准化，最常用的标准化方法之一，将数据减去均值比上标准差(default MARGIN=2)，z-score标准化后数据均值为0，方差为1，服从正态总体的数据标准化后服从标准正态分布。z-score标准化可以去除不同环境因子量纲的影响。
d) total，总和标准化，将数据除以该行或者列的总和，也即求相对丰度(default MARGIN=1)，总和标准化后数据全部位于0到1之间。
e)max，最大值标准化，将数据除以该行或者列的最大值(defaultMARGIN=2)。若数据非负，最大值标准化后数据全部位于0到1之间。
f) freq,数据矩阵除以行或列的最大值,并乘以非零值的个数
g) range，Min-max标准化，将数据减去该行或者列的最小值，并比上最大值与最小值之差(defaultMARGIN=2)，Min-max标准化后的数据全部位于0到1之间。
2.3 颜色选择：按需求自行选择
2.4 元素的大小：显示元素的圆点图形的大小
**Step 03 网页预览 **
点击“运行”开始作图，出图后可选择“网页预览”的方式进行在线查看。预览小工具使用方法如下：
image
Step 04 下载文件
图片确认无误后可点击“下载”保存压缩包查看网页版文件（网页版也可以调整以上细节）。
Step 05 作图后处理
TUTU云平台提供的PDF格式的矢量图，可通过矢量图处理软件进行编辑和调整（如：文字字体，文字大小，图片分辨率等）。
写作建议
XXXX was performed on Tutools platform (https://www.cloudtutu.com), a free online data analysis website.
网友评论