scipy hierarchy.linkage与Bray-Curtis距离结果不一致问题咨询

我之前处理微生物群落物种计数数据时也碰到过一模一样的问题！核心原因大多是两个库对数据格式的要求不匹配，再加上Bray-Curtis距离/相似度的细节容易搞混，咱们一步步拆解解决：

1. 最常见的坑：距离矩阵格式不兼容 #

scikit-bio的pw_distance返回的是n×n的对称距离矩阵（每个元素对应一对站点的距离），但scipy的linkage函数默认不接受这种完整矩阵——它需要的是压缩的一维距离向量（也就是把对称矩阵的上三角部分按行展开成一维数组）。如果直接把完整矩阵传给linkage，它会错误地把矩阵当成样本特征来聚类，结果自然完全不对。

解决代码示例：

from scipy.spatial.distance import squareform
from scipy.cluster.hierarchy import linkage
import skbio

# 假设你从scikit-bio得到的距离矩阵是skbio_dist_mat
# 如果是DistanceMatrix对象，先转成numpy数组
if isinstance(skbio_dist_mat, skbio.stats.distance.DistanceMatrix):
    dist_array = skbio_dist_mat.to_array()
else:
    dist_array = skbio_dist_mat

# 把对称矩阵转换成linkage需要的压缩向量
compressed_dist = squareform(dist_array, checks=False)
# 选择群落分析常用的UPGMA聚类方法（average）
Z = linkage(compressed_dist, method='average')

2. 确认是距离还是相似度 #

Bray-Curtis的取值范围是0到1，但要注意两个核心概念：

• 相似度：越接近1，两个站点的物种组成越相似
• 距离：越接近0，两个站点的物种组成越相似

scikit-bio的pw_distance默认返回的是距离（即1 - 相似度），但如果你手动调整过参数或混淆了概念，就会出问题。比如如果你的矩阵实际是相似度，直接传给linkage会导致聚类逻辑完全颠倒。

验证与修正：

# 检查矩阵取值的含义
if dist_array.max() <= 1 and dist_array.min() >= 0:
    # 如果是相似度，转成距离（linkage基于距离聚类）
    dist_array = 1 - dist_array

# 再转成压缩向量
compressed_dist = squareform(dist_array)
Z = linkage(compressed_dist, method='average')

3. 聚类方法的选择差异 #

scipy的linkage默认用的是single（单链接）聚类方法，而微生物群落研究中常用的是average（UPGMA）或ward方法。不同的聚类方法会生成完全不同的树状图，这也会让你误以为“结果不一致”。

建议：明确你需要的聚类方法，比如：

# UPGMA聚类（群落分析常用）
Z = linkage(compressed_dist, method='average')
# 或者Ward法（适合方差最小化的聚类）
Z = linkage(compressed_dist, method='ward')

4. 样本顺序一致性检查 #

最后要确认scikit-bio返回的距离矩阵的站点顺序，和你后续绘制树状图时标注的站点顺序完全一致。可以通过scikit-bio的DistanceMatrix对象的ids属性查看：

if isinstance(skbio_dist_mat, skbio.stats.distance.DistanceMatrix):
    print("站点顺序：", skbio_dist_mat.ids)

如果顺序不对，即使聚类正确，树状图的标注也会看起来混乱。

用以上步骤排查后，应该就能得到和预期一致的聚类树状图了。我当时就是因为直接把完整矩阵传给了linkage，踩了这个大坑😂

内容的提问来源于stack exchange，提问作者user2619065