PCoA 主坐标分析

PCoA 把样本间的距离尽量保真地画到二维平面上：点越近，按所选距离样本越相似。轴标题里的百分比是该轴特征值占全部正特征值之和的比例。

群落数据常用 Bray–Curtis（考虑丰度）或 Jaccard（只看有无）；欧氏距离下 PCoA 与未缩放的 PCA 等价。

非欧氏距离（如 Bray–Curtis）会产生负特征值：默认把它们置 0 并在警告里报告其大小；负特征值比例较大时可选 Lingoes 校正，或改用 NMDS。

椭圆是每组坐标的 95% 正态置信椭圆，只描述组内离散；组间差异请用 PERMANOVA 或 ANOSIM 检验。

也可以直接上传距离矩阵（如 UniFrac）：第一列为样本名，其余各列依次为同样顺序的样本。

方法说明

Gower J. C. (1966) Biometrika 53:325–338；Legendre & Legendre (2012) Numerical Ecology §9.3；Lingoes (1971) Psychometrika 36:195–203。坐标、特征值与解释比例与 scikit-bio pcoa 一致；距离与 scipy.spatial.distance.pdist 一致（Jaccard 按有 / 无计算）。

数据量

最多 3,000 个样本（超过 500 个样本时只计算前 10 个轴）。