R语言33个微生物组样本K-means聚类问题求助

核心问题分析 #

你的数据结构和预处理环节存在两个关键问题：

1. 数据是行=物种，列=样本，但dist()和kmeans默认按行计算，你需要的是样本间（列间）的距离，必须转置数据
2. 数据中存在大量NA，且包含字符型的物种名称列，导致数值转换失败，触发报错

步骤1：修正数据结构 #

首先将物种名称设为行名，移除字符列，转置矩阵让样本成为行：

# 将species列设为数据行名
rownames(samples) <- samples$species
# 移除非数值的species列
samples_num <- samples[, !colnames(samples) %in% "species"]
# 转置矩阵：行=样本，列=物种
samples_t <- t(samples_num)

步骤2：处理NA值 #

微生物组数据中的NA通常代表物种丰度为0，直接替换：

samples_t[is.na(samples_t)] <- 0

步骤3：计算样本间距离矩阵 #

现在可以正常计算距离矩阵，推荐用微生物组常用的Bray-Curtis距离（也可使用欧氏距离）：

# 欧氏距离计算
dist_mat <- dist(samples_t, method = "euclidean")

# 更适合微生物组的Bray-Curtis距离（需安装vegan包）
install.packages("vegan")
library(vegan)
dist_mat <- vegdist(samples_t, method = "bray")

步骤4：K-means聚类与最优K值选择 #

用处理后的矩阵运行fviz_nbclust和K-means：

library(factoextra)
# 绘制肘部法则图选择最优K值
fviz_nbclust(samples_t, kmeans, method = "wss") + 
  geom_vline(xintercept = 3, linetype = 2)

# 执行K-means聚类（以K=3为例）
km_result <- kmeans(samples_t, centers = 3, nstart = 25)
# 可视化聚类结果
fviz_cluster(km_result, data = samples_t)

关于dist()输出异常的解释 #

之前samptest用dist()输出序号列表，是因为：

• 数据包含字符列，导致数值转换失败
• 原数据行是物种（5万+行），计算行距离时内存溢出，返回异常对象
  按上述步骤处理后，dist()会正常输出样本间的距离矩阵。

内容的提问来源于stack exchange，提问作者Alex Gomez