在这之前我们学习了聚类分析的基本概念、几种计算层次聚类的方法、进一步解读和比较层次聚类结果以及非层次聚类，这些聚类方法都是基于物种多度数据对样方进行分组，当然这些聚类方法也可以用于其他类型数据，特别是环境数据，所以本次就是介绍用 环境数据来进行聚类分析 。
本次的内容不多，主要分为两个部分：
我们之前学习的主要是内部的准则（例如轮廓法或其他聚类质量指数）都是仅仅依赖物种数据，还不足以选择最佳样方聚类结果。选择最终的聚类结果有时也需要基于生态学解释。生态学解释可视为样方聚类的外部验证。
下面的我们将学习用 样方聚类簇为因子 去对 解释变量进行方差分析 。
尽管在方差分析中，是将物种组成数据获得的聚类的分组结果作为解释变量，但是从生态学角度去分析，实际上是寻找环境因子对样方的分组的解释 。
以下可以使用作者编写的通用函数，执行方差分析的多重比较和显示带有字母的环境变量分组后箱线图多重比较结果。不同字母表示组间有显著差异（按中位线递减顺序组）。
基于上面这些分析和图示，能确定这组鱼类群落的生态习性。
当然，我们也可以基于环境变量对样方进行聚类（类似获得生境类型的分组），然后通过指示种分析（以后会讲）检验不同生境内物种分布是否有差异。指示种分析过程中基于不同的生境类型物种需要逐个分析。因此，需要考虑多个物种指示种分析时会产生多重检验的统计学问题。
另外，作为替代方案，之后第6章会提出基于排序的多元方法，也可以直接描述和检验物种-生境关系。请期待。
要是想直接比较分别基于物种数据和环境数据的样方聚类结果该怎么办呢？
同时列联表分析同样适用于比较分别基于物种数据和分类（定性）解释变量数据的样方聚类结果。
用环境数据进行比较的内容就是这些，虽然不是很多，但是要联系之前学习的才能更好的掌握它，所以还是有难度的，主要是用 外部数据进行类型比较（方差分析途径）和双类型比较（列联表分析 两部分内容，好好学习掌握他。
谢谢你的阅读，请期待下一期数量生态学：R语言的应用 第四章 聚类分析5—聚类物种集合
《数量生态学：R语言的应用》第三章-R模式
《数量生态学：R语言的应用》第二版第三章-关联测度与矩阵------Q模式
《数量生态学：R语言的应用》第二版笔记2
《数量生态学——R语言的应用》第二版阅读笔记--绪论和第二章（一部分）
R语言 pheatmap 包绘制热图（基础部分）
R语言pheatmap包绘制热图进阶教程
使用PicGo和gitee搭建图床
组间分析—T检验、R语言绘图
Rmarkdown的xaringan包来制作PPT
htlm文件部署到个人网站
R是一套由数据操作、计算和图形展示功能整合而成的套件。包括：有效的数据存储和处理功能，一套完整的数组（特别是矩阵）计算操作符，拥有完整体系的数据分析工具，为数据分析和显示提供的强大图形功能，一套（源自S语言）完善、简单、有效的编程语言（包括条件、循环、自定义函数、输入输出功能）。
在这里使用环境（environment）是为了说明R的定位是一个完善、统一的系统，而非其他数据分析软件那样作为一个专门、不灵活的附属工具。
也做了挺多次RDA分析，自己现在小结一下RDA分析流程：
就我个人而言，虚线前面都是不太经历的步骤，我一般不会主动删去样品的环境信息，因为我接触的菌群这块本来就没有什么多余的环境信息-_-||，所以我的重点放在怎么去除多余OTU或菌群上面。
一般而言，我首先会做一次差异分析，挑选有差异的OTU或菌群进行展示（phyloseq推荐使用DESeq2和edgeR，详见 Waste Not, Want Not: Why Rarefying Microbiome Data Is Inadmissible ），这里不是重点不在赘述。
但是差异OTU或菌群还有可能太多，RDA呈现出来密密麻麻的，调也得调好久，最后还是好不美观。
偶然间，发现envfit不仅可以评估环境因子的显著性，也可以评估物种的相关性和显著性，这为我们进一步去取冗余物种提供了条件，值得记录下来学习。
示例：
