聚类分析，树状图 group/habitat 不是样本
Cluster analysis, dendrogram by group/habitat not sample
我似乎找不到与我的问题相关的话题（至少简单来说）。
我有一个按样本点（行）划分的物种群落矩阵（列）。我首先执行 Bray-Curtis 变换以获得 similarity/dissimilarity 矩阵 (vegdist)，其次，对矩阵应用 hclust 函数。
我使用的脚本部分：
library(vegan)
community_matrix <- read.csv(choose.files(),sep=",",row.names=1)
d = (1 - vegdist(community_matrix, method="bray")) * 100
h = hclust(d, method = "ward.D2")
plot(h, main = "", sub = "", xlab="", ylab = "Bray-Curtis simmilarity", axes = FALSE, hang = -1)
然而，一切都很完美，上面的结果产生了一个有 127 个分支的树状图树（每个样本站点一个分支）。我想按这些站点所属的 5 个栖息地对 127 个样本站点进行分组。然后树状图的分支将显示更易理解的 5 分支（栖息地）树状图，而不是样本点。因此，必须对栖息地进行聚类并按样本点加权。
我之前在 PC-ORD 中进行过此分析，但这次必须在无情的 R 中进行。
汇总您的数据。
如果您想对栖息地进行聚类，您的数据应该是关于栖息地，而不是地点。
但是，如果栖息地结构没有从站点中出现，则栖息地的相似性可能不是很重要/没有得到数据的充分支持（或者数据预处理不够好）。
我似乎找不到与我的问题相关的话题（至少简单来说）。
我有一个按样本点（行）划分的物种群落矩阵（列）。我首先执行 Bray-Curtis 变换以获得 similarity/dissimilarity 矩阵 (vegdist)，其次，对矩阵应用 hclust 函数。
我使用的脚本部分：
library(vegan)
community_matrix <- read.csv(choose.files(),sep=",",row.names=1)
d = (1 - vegdist(community_matrix, method="bray")) * 100
h = hclust(d, method = "ward.D2")
plot(h, main = "", sub = "", xlab="", ylab = "Bray-Curtis simmilarity", axes = FALSE, hang = -1)
然而，一切都很完美，上面的结果产生了一个有 127 个分支的树状图树（每个样本站点一个分支）。我想按这些站点所属的 5 个栖息地对 127 个样本站点进行分组。然后树状图的分支将显示更易理解的 5 分支（栖息地）树状图，而不是样本点。因此，必须对栖息地进行聚类并按样本点加权。
我之前在 PC-ORD 中进行过此分析，但这次必须在无情的 R 中进行。
汇总您的数据。
如果您想对栖息地进行聚类，您的数据应该是关于栖息地，而不是地点。
但是，如果栖息地结构没有从站点中出现，则栖息地的相似性可能不是很重要/没有得到数据的充分支持（或者数据预处理不够好）。