1

我正在使用序列分析方法来测量不同“空间使用序列”之间的相似性，表示为字符串。这是一个针对两个序列的三个类别（A：城市，B：农业，C：山）的理论示例：

                t­1,t2,........tx
  Individual 1: A A A B B B C C
  Individual 2: A B B B A A C C
                0 1 1 0 1 1 0 0 = **4**

我们用来衡量序列之间相似性的距离度量是汉明距离（即衡量序列中的一个字符需要被替换的频率以使序列相等，在上面的示例中，需要替换4 个字符使序列相等）。根据我们在计算汉明距离后获得的距离矩阵（给出每对可能的序列的距离或相异性），使用 Ward 的聚类方法（ward.D2）创建了一个树状图。

现在我还想包括一个很好的集群稳健性度量，以便识别相关集群。为此，我尝试使用 pvclust ，它包含多种计算引导值的方法，但仅限于一些距离度量。在未发布的 pvclust 版本中，我尝试实现正确的距离度量（即汉明距离），并尝试创建自举树。脚本正在运行，但结果不正确。使用 1000 的 nboot 应用于我的数据集，“bp”值接近 0，所有其他值“au”、“se.au”、“se.bp”、“v”、“c”、“pchi”为 0，表明这些集群是人工制品。

这里我提供一个示例脚本：

数据涉及非常同质的模拟序列（例如，继续使用 1 个特定状态），因此每个集群肯定是重要的。我将靴子的数量限制为只有 10 个以限制计算时间。

####################################################################
####Create the sequences#### 
dfr = data.frame()
a = list(dfr)
b = list(dfr)
c = list(dfr)
d = list(dfr)
data = list(dfr)

for (i in c(1:10)){
set.seed(i)
a[[i]] <- sample(c(rep('A',10),rep('B', 90)))
b[[i]] <- sample(c(rep('B',10),rep('A', 90)))
c[[i]] <- sample(c(rep('C',10),rep('D', 90)))
d[[i]] <- sample(c(rep('D',10),rep('C', 90)))
}
a = as.data.frame(a, header = FALSE)
b = as.data.frame(b, header = FALSE)
c = as.data.frame(c, header = FALSE)
d = as.data.frame(d, header = FALSE)

colnames(a) <- paste(rep('seq_urban'),rep(1:10), sep ='')
colnames(b) <- paste(rep('seq_agric'),rep(1:10), sep ='')
colnames(c) <- paste(rep('seq_mount'),rep(1:10), sep ='')
colnames(d) <- paste(rep('seq_sea'),rep(1:10), sep ='')

data = rbind(t(a),t(b),t(c),t(d))
#####################################################################

####Analysis####
## install packages if necessary
#install.packages(c("TraMineR", "devtools")) 
library(TraMineR)
library(devtools)

source_url("https://www.dropbox.com/s/9znkgks1nuttlxy/pvclust.R?dl=0") # url    to my dropbox for unreleased pvclust package
source_url("https://www.dropbox.com/s/8p6n5dlzjxmd6jj/pvclust-internal.R?dl=0") # url to my dropbox for unreleased pvclust package

dev.new()
par( mfrow = c(1,2))
## Color definitions and alphabet/labels/scodes for sequence definition
palet <- c(rgb(230, 26, 26, max = 255), rgb(230, 178, 77, max = 255),     "blue", "deepskyblue2") # color palet used for the states
s.alphabet <- c("A", "B", "C", "D") # the alphabet of the sequence object
s.labels <- c("country-side", "urban", "sea", "mountains") # the labels of    the sequence object
s.scodes <- c( "A", "U", "S", "M") # the states of the sequence object

## Sequence definition
seq_ <- seqdef(data, # data  
                  1:100, # columns corresponding to the sequence data  
                  id = rownames(data), # id of the sequences
                  alphabet = s.alphabet, states = s.scodes, labels = s.labels, 
                  xtstep = 6, 
                  cpal = palet) # color palet 

##Substitution matrix used to calculate the hamming distance
Autocor <- seqsubm(seq_, method = "TRATE", with.missing = FALSE) 

# Function with the hamming distance (i.e. counts how often a character  needs to be substituted to equate two sequences to each other. Result is a  distance matrix giving the distances for each pair of sequences)
hamming <- function(x,...) {
res <- seqdist(x, method = "HAM",sm = Autocor)
res <- as.dist(res)
attr(res, "method") <- "hamming"
return(res)
}

## Perform the bootstrapping using the distance method "hamming"
result <- pvclust(seq_, method.dist = hamming, nboot = 10, method.hclust =  "ward")
result$hclust$labels <- rownames(test[,1])
plot(result)

为了做这个分析，我使用了 R 包 pvclust 的未发布版本，它允许使用你自己的距离方法（在这种情况下：汉明）。有人知道如何解决这个问题吗？

4

1 回答 1

1

的目的pvclust是聚类变量（或属性）而不是案例。这就是为什么你的结果没有意义。你可以试试

data(iris)
res <- pvclust(iris[, 1:4])
plot(res)

要测试案例聚类的稳定性，可以使用clusterbootfrom package fpc。在这里查看我的答案：测量树/树状图的可靠性（Traminer）

在您的示例中，您可以使用：

library(fpc)
ham <- seqdist(seq_, method="HAM",sm = Autocor)
cf2 <- clusterboot(as.dist(ham), clustermethod=disthclustCBI, k=4, cut="number", method="ward.D")

使用例如，k=10你会得到不好的结果，因为你的数据真的有 4 个集群（通过构造）。

于 2015-03-26T22:22:11.753 回答