定义：
主成分分析PCA（Principalcomponent analysis）是一种研究数据相似性或差异性的可视化方法，采取降维的思想，PCA 可以找到距离矩阵中最主要的坐标，把复杂的数据用一系列的特征值和特征向量进行排序后，选择主要的前几位特征值，来表示样品之间的关系。通过PCA 可以观察个体或群体间的差异。PC后面的百分数表示对应特征向量对数据的解释量，此值越大越好；
PCoA（Principal Co-ordinates Analysis）分析即主坐标分析。它与PCA类似，通过一系列的特征值和特征向量进行排序后，选择主要排在前几位的特征值，找到距离矩阵中最主要的坐标，结果是数据矩阵的一个旋转，它没有改变样本点之间的相互位置关系，只是改变了坐标系统。
如何取舍：
在微生物分析中我们会基于beta多样性分析得到的距离矩阵，进行PCA和PCoA分析，具体距离矩阵可见：beta多样性矩阵。PCA是基于样本的相似矩阵（如欧式距离）来寻找主成分，而PCoA是基于相异距离矩阵（欧式距离以外的其他距离，包括binary_jaccard ,bray_curtis ,unweighted_unifrac和weighted_unifrac距离）来寻找主坐标。
在分析的过程中PCA和PCoA分析都会用到降维的思想，但是在降维的过程中必然会造成数据损失，多数情况下，我们在做降维处理的时候，期望维数越低越好，这样我们就可以最大程度地保真原始数据。PCA基于物种丰度矩阵就意味着PCA分析的矩阵维度等于物种数目。同样的道理，PCoA基于样本间的距离矩阵就意味着PCoA分析的矩阵维度与样本数目相关。因此，如果样本数目比较多，而物种数目比较少，那肯定首选PCA；如果样本数目比较少，而物种数目比较多，那肯定首选PCoA。
课程推荐：微生物扩增子分析课程实操 微生物16S/ITS/18S分析原理及结果解读
