4. 距离度量：欧氏距离、曼哈顿距离、相关系数

讲完数据预处理，咱们得聊聊热图的核心了——距离度量。说白了，就是怎么定义两个样本或物种“有多像”。

我刚开始做这个的时候也犯过嘀咕：不就是算个距离吗？直接用欧氏距离不就行了？结果做出来的热图，怎么看怎么不对劲。后来才明白，选错距离度量，聚类结果完全是两回事。

4.1 为什么距离度量这么重要？

热图聚类本质上是在做一件事：把相近的东西放在一起。怎么定义“相近”，全靠你选的距离函数。

不同的距离度量，会从不同的角度“看”数据。你想想看——

• 欧氏距离看的是“绝对差异”。数值大就是远，数值小就是近。
• 曼哈顿距离看的是“累积变化”。每一步的差值都算进去。
• 相关系数看的是“变化趋势”。两个物种一起涨一起跌，就算数值不同也算近。

我遇到过一位同学，用欧氏距离算微生物组的β多样性，结果把两个完全不同的群落聚到了一起。为什么？因为一个样本的丰度高一个数量级，欧氏距离直接炸了。改成交替度量后，结果就合理多了。

4.2 三大主流距离度量详解

4.2.1 欧氏距离（Euclidean Distance）

这是最直观的距离。就是两点之间的直线距离。

欧氏距离公式：
d(x, y) = sqrt( Σ (xi - yi)² )

在Python中的计算（scipy）：
from scipy.spatial.distance import euclidean

sample_a = [10, 20, 5, 30]
sample_b = [12, 18, 8, 25]

dist = euclidean(sample_a, sample_b)
print(dist)  # 输出：5.4772...

适用场景：

• 数据量纲一致时（比如都是相对丰度百分比）
• 关注绝对丰度差异时
• 数据没有极端异常值时

4.2.2 曼哈顿距离（Manhattan Distance）

也叫城市街区距离。想象你在网格状的城市里，只能沿街道走——不能穿楼。

曼哈顿距离公式：
d(x, y) = Σ |xi - yi|

Python计算：
from scipy.spatial.distance import cityblock

sample_a = [10, 20, 5, 30]
sample_b = [12, 18, 8, 25]

dist = cityblock(sample_a, sample_b)
print(dist)  # 输出：12

对比欧氏距离：

4.2.3 相关系数距离（Pearson Correlation Distance）

这个很有意思。它不看数值大小，只看变化趋势是不是一致。

相关系数距离公式：
d(x, y) = 1 - r(x, y)

其中 r(x, y) 是皮尔逊相关系数

Python计算：
from scipy.spatial.distance import correlation

sample_a = [10, 20, 5, 30]
sample_b = [12, 18, 8, 25]
# 注意：这里算的是距离（1 - 相关系数），不是相关系数本身

dist = correlation(sample_a, sample_b)
print(dist)  # 输出：接近0表示高度正相关

我在项目里常用相关系数来处理时序数据。比如追踪某个菌群在患者治疗前后的变化——就算两个患者的丰度基数不同，只要变化趋势一致，相关系数就会把它们聚在一起。

4.3 其他常用距离度量

除了上面三种，微生物组分析里还有几种不得不提的度量：

• Bray-Curtis差异度：专为生态学设计，只考虑物种有无和丰度，不考虑共有0值。我个人觉得这是OTU/ASV数据的默认选择。
• Jaccard距离：只看物种的“有/无”，不管丰度。适合做快速筛查。
• UniFrac距离：结合了物种间的进化关系，算的是系统发育树上的距离。做进化分析时必用。

Bray-Curtis在Python中的计算：
from skbio.diversity.beta import bray_curtis

sample_a = [10, 20, 5, 30]
sample_b = [12, 18, 8, 25]

dist = bray_curtis(sample_a, sample_b)
print(dist)  # 输出：0.110...（值在0-1之间）

4.4 如何选择正确的距离度量？

这个问题没有标准答案。但我有个简单的判断流程：

1. 先看数据类型：
   • 相对丰度（百分比）→ 考虑Bray-Curtis或欧氏距离
   • 绝对丰度（counts）→ 优先Bray-Curtis或曼哈顿
   • 已标准化的数据（Z-score）→ 欧氏距离稳妥
2. 再看分析目标：
   • 想看趋势一致性 → 相关系数距离
   • 想看绝对差异 → 欧氏距离
   • 想看群落组成差异 → Bray-Curtis
3. 别忘了尝试对比：
   • 我习惯做几个不同度量的热图对比看看
   • 如果聚类结果天差地别，说明你的数据对度量选择很敏感
   • 这时候可以用层级聚类树的可信度来辅助判断

4.5 距离度量的知识图谱

下面这张图把几种主要距离度量的关系和适用场景梳理了一下。你一看就明白。

4.6 实际应用中的注意事项

最后分享几个实操经验：

• 不要只看一种度量。 我个人习惯至少跑2-3种距离度量，对比下聚类结果。如果差异不大，说明数据稳健；如果差异大，反而能发现问题所在。
• 注意零膨胀问题。 微生物组数据里0非常多。欧氏距离对这种数据不敏感（两个0值之间距离为0，但0 vs 0.1的距离很小），而Bray-Curtis处理这种情况更好。
• 小心高丰度物种。 我曾经用欧氏距离处理一批数据，结果热图看起来全是蓝色——因为有一个高丰度物种把其他物种的差异全掩盖了。换成曼哈顿或相关系数后才看清楚细节。
• 别忘了看距离矩阵。 不要只看热图，把距离矩阵也打印出来看看。有时候你能从矩阵里直接发现异常样本或批次效应。

打印距离矩阵示例：
import numpy as np
from scipy.spatial.distance import pdist, squareform

# 原始数据矩阵：行为样本，列为物种
data = np.array([
    [10, 20, 5, 30],
    [12, 18, 8, 25],
    [15, 22, 3, 28],
    [9, 19, 6, 32]
])

# 计算欧氏距离矩阵
dist_matrix = squareform(pdist(data, metric='euclidean'))
print("距离矩阵（欧氏距离）：")
print(dist_matrix)
# 输出：
# [[ 0.         5.477     7.071     3.317]
#  [ 5.477     0.         5.568     6.557]
#  [ 7.071     5.568     0.         8.246]
#  [ 3.317     6.557     8.246     0.   ]]