从 R 到 Python:rdacca.hp 的一个常见分析流程如何迁移?

#install rdacca.hp from CRAN or github and load it #install.packages('rdacca.hp')library(rdacca.hp)#sample data in ade4 packagelibrary(ade4)data(doubs) # Fish species as response variablesspe <- doubs$fish# Environmental factors as explanatory variablesenv <- doubs$env#Remove empty site 8 without speciesspe <- spe[-8,]env <- env[-8,]# Apart from being a spatial position variable rather than # environmental variables, remove the 'dfs' variable (the distance# from the source) from the 'env' data frameenv <- env[, -1]# Hellinger-transformation of the species dataset for RDA to deal with the 'double zero' problemspe.hel <- decostand(spe, "hellinger")(spe.hp <- rdacca.hp(spe.hel,env, method="RDA", type = "adjR2"))permu.hp(spe.hel,env)system.time(permu.hp(spe.hel,env))

这一流程非常典型：

1. 读取 doubs 数据中的鱼类矩阵和环境矩阵
2. 删除没有物种记录的第 8 个样点
3. 删除 env 中的 dfs 变量
4. 对物种矩阵做 Hellinger 转换
5. 在 RDA + adjR2 框架下进行层次分解与置换检验
6. 如有需要，记录运行时间

如果已经熟悉这套写法，那么迁移到 Python 时，整体思路其实并没有改变。

三、一步一步转成 Python

对于平时几乎没怎么接触过 Python 的生态学读者来说，其实不需要一下子理解太多。 只要把下面几个步骤弄清楚，基本就可以完成一次对应分析：

1. 安装包
2. 导入库
3. 读入数据
4. 删除空样点与 dfs 变量
5. 做 Hellinger 转换
6. 运行 rdacca_hp()
7. 运行 permu_hp()
8. 查看结果与运行时间

下面就按这个顺序一步一步来看。

第一步：安装包

如果下载了源码，可在项目根目录执行：

pip install .

如果直接从 PyPI 安装，可运行：

pip install rdacca_hp

对于主要使用 R 的读者来说，可以把这一步简单理解为：先把 Python 版本的分析工具装好。

第二步：导入所需库和函数

在 Python 中，先导入需要的库和函数：

import timeimport numpy as npimport pandas as pdfrom rdacca_hp import rdacca_hp, permu_hp

这里：

• pandas 用于读入和处理表格数据
• numpy 用于数值运算
• rdacca_hp 是主分析函数
• permu_hp 对应 R 中的 permu.hp()

如果之前没怎么接触过 Python，这一步可以简单理解为：先把后面要用到的工具加载进来。

第三步：读入数据

由于 doubs 是 R 中 ade4 包里的示例数据，因此在 Python 中通常需要先把 R 数据导出成 CSV。 例如：

• doubs_fish.csv
• doubs_env.csv

然后在 Python 中读入：

spe = pd.read_csv("doubs_fish.csv", index_col=0)env = pd.read_csv("doubs_env.csv", index_col=0)spe = spe.apply(pd.to_numeric, errors="raise")env = env.apply(pd.to_numeric, errors="raise")

这一点和 R 不同： 在 R 中可以直接 data(doubs)，而在 Python 中通常是先把数据保存为文件，再读入为 DataFrame。

第四步：删除空样点与 dfs 变量

这一步与 R 中的处理是一一对应的。

在 R 中：

spe <- spe[-8,]env <- env[-8,]env <- env[, -1]

在 Python 中可以写成：

spe = spe.drop(spe.index[7])env = env.drop(env.index[7])env = env.drop(columns=["dfs"], errors="raise")

这里需要注意一点： R 是从 1 开始计数，而 Python 是从 0 开始计数，所以第 8 行在 Python 中对应的是位置 7。

第五步： Hellinger 转换

在 R 中，这一步常写成：

decostand(spe, "hellinger")

在 Python 中，可以显式写成：

defhellinger_transform(df: pd.DataFrame) -> pd.DataFrame:    df = df.apply(pd.to_numeric, errors="raise")    row_sums = df.sum(axis=1)    rel = df.div(row_sums.replace(0, np.nan), axis=0).fillna(0.0)return np.sqrt(rel)spe_hel = hellinger_transform(spe)

也就是说，本质上仍然是同样的 Hellinger 转换，只是在 Python 中通常会把这一步单独写出来。

如果只从分析逻辑来看，其实没有变化：

• R：调用 decostand()
• Python：手动写出 Hellinger 转换过程

第六步：运行层次分解与变异分解

在 R 中，这一步对应：

(spe.hp <- rdacca.hp(spe.hel,env, method="RDA", type = "adjR2"))

在 Python 中，可以写成：

spe_hp = rdacca_hp(    dv=spe_hel,    iv=env,    method="RDA",    type="adjR2",    scale=False,    var_part=True,)

然后查看结果：

print(spe_hp.total_explained_variation)print(spe_hp.hier_part)print(spe_hp.var_part)

这样就完成了与 R 中 rdacca.hp(...) 相对应的一次分析。

第七步：运行置换检验

在 R 中，这一步对应：

permu.hp(spe.hel,env)

在 Python 中可以写成：

perm_result = permu_hp(    dv=spe_hel,    iv=env,    method="RDA",    type="adjR2",    permutations=1000,    scale=False,    verbose=False,)

然后查看结果：

print(perm_result)

这样就完成了与 R 中 permu.hp() 相对应的一次分析。

第八步：如果想记录运行时间

如果希望像 R 里的 system.time(...) 一样记录运行时间，在 Python 中可以使用 time.perf_counter()。

例如：

t1 = time.perf_counter()spe_hel = hellinger_transform(spe)t2 = time.perf_counter()t3 = time.perf_counter()spe_hp = rdacca_hp(    dv=spe_hel,    iv=env,    method="RDA",    type="adjR2",    scale=False,    var_part=True,)t4 = time.perf_counter()t5 = time.perf_counter()perm_result = permu_hp(    dv=spe_hel,    iv=env,    method="RDA",    type="adjR2",    permutations=1000,    scale=False,    verbose=False,)t6 = time.perf_counter()print(f"Hellinger transform time: {t2 - t1:.6f} seconds")print(f"rdacca_hp time:           {t4 - t3:.6f} seconds")print(f"permu_hp time:            {t6 - t5:.6f} seconds")

在当前测试中，doubs 案例的总体耗时表现为：

• R 版本约 44 分钟
• Python 版本约 4.5–5.5 分钟

也就是说，在这个案例下，Python 版本不仅可以复现对应分析流程，而且在运行时间上也表现出了明显优势。

四、完整 Python 示例代码

将上面的步骤合起来，可以写成如下完整示例：

import timeimport numpy as npimport pandas as pdfrom rdacca_hp import rdacca_hp, permu_hpdefhellinger_transform(df: pd.DataFrame) -> pd.DataFrame:"""    Hellinger transformation:    sqrt(x_ij / row_sum_i)    """    df = df.apply(pd.to_numeric, errors="raise")    row_sums = df.sum(axis=1)    rel = df.div(row_sums.replace(0, np.nan), axis=0).fillna(0.0)return np.sqrt(rel)total_start = time.perf_counter()spe = pd.read_csv("doubs_fish.csv", index_col=0)env = pd.read_csv("doubs_env.csv", index_col=0)spe = spe.apply(pd.to_numeric, errors="raise")env = env.apply(pd.to_numeric, errors="raise")spe = spe.drop(spe.index[7])env = env.drop(env.index[7])env = env.drop(columns=["dfs"], errors="raise")ifnot spe.index.equals(env.index):raise ValueError("Row indices of spe and env do not match after preprocessing.")t1 = time.perf_counter()spe_hel = hellinger_transform(spe)t2 = time.perf_counter()t3 = time.perf_counter()spe_hp = rdacca_hp(    dv=spe_hel,    iv=env,    method="RDA",    type="adjR2",    scale=False,    var_part=True,)t4 = time.perf_counter()print("=== rdacca_hp result ===")print("Total explained variation:")print(spe_hp.total_explained_variation)print("\nHierarchical partitioning:")print(spe_hp.hier_part)print("\nVariation partitioning:")print(spe_hp.var_part)t5 = time.perf_counter()perm_result = permu_hp(    dv=spe_hel,    iv=env,    method="RDA",    type="adjR2",    permutations=1000,    scale=False,    verbose=False,)t6 = time.perf_counter()print("\n=== permutation test result ===")print(perm_result)total_end = time.perf_counter()print("\n=== runtime ===")print(f"Hellinger transform time: {t2 - t1:.6f} seconds")print(f"rdacca_hp time:           {t4 - t3:.6f} seconds")print(f"permu_hp time:            {t6 - t5:.6f} seconds")print(f"Total runtime:            {total_end - total_start:.6f} seconds")

五、结果怎么看？

R 用户通常习惯查看：

• spe.hp
• permu.hp(...) 的输出结果

在 Python 中，对应的是：

• spe_hp.total_explained_variation
• spe_hp.hier_part
• spe_hp.var_part
• perm_result

也就是说，Python 返回的是一个结果对象。 如果后续还要：

• 保存表格
• 批量汇总
• 做进一步自动化分析
• 接着绘图

那么对象化结果会比较方便。

六、Python 结果会和 R 完全一样吗？

总体模式应当一致，但置换检验得到的 p 值不必逐位完全相同。

这是因为置换检验本质上属于 Monte Carlo 过程，不同平台下的随机序列和数值细节可能存在差异，因此出现轻微偏差是正常的。

实际使用中，更值得关注的通常是：

• 结果结构是否一致
• 变量贡献排序是否稳定
• 主要结论是否一致

换句话说，更重要的是整体分析结论，而不是要求每一个小数位都完全一致。

七、小结

如果已经熟悉 rdacca.hp 的 R 工作流，那么迁移到 Python 时，最关键的其实就是以下几步：

1. 从 R 中导出 doubs 数据
2. 在 Python 中读入 doubs_fish.csv 和 doubs_env.csv
3. 删除第 8 个空样点
4. 删除 dfs 变量
5. 做 Hellinger 转换
6. 用 rdacca_hp() 完成层次分解与变异分解
7. 用 permu_hp() 完成置换检验
8. 如有需要，再记录各步骤运行时间

因此，Python 版本提供的不只是另一种写法。对于已经在 Python 中做数据清洗、批量处理和自动化分析的用户来说，这会更加方便一些；而对主要使用 R 的读者来说，也可以把它视为一个在特定场景下可调用的补充方案。

项目信息

• Package: rdacca_hp
• Version: 0.1.1
• PyPI: pip install rdacca_hp
• GitHub: https://github.com/peony-peo/rdacca_hp