Question

我在R中使用Vegan包运行分析。它的方式非常简单，我只希望摘要提取一些值。但它一直告诉我一个错误信息。为什么？

我有这个数据集

feed.raw1 =structure(c(0L, 0L, 2L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
            5L, 0L, 2L, 0L, 0L, 0L, 0L, 0L, 0L, 2L, 0L, 7L, 11L, 3L, 1L, 
            0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 1L, 2L, 0L, 0L, 0L, 0L, 0L, 0L, 
            0L, 0L, 0L, 0L, 3L, 0L, 5L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
            0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 2L, 0L, 0L, 8L, 7L, 5L, 1L, 
            0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 10L, 5L, 0L, 0L, 1L, 0L, 0L, 
            0L, 0L, 0L, 0L, 0L, 1L, 5L, 0L, 0L, 8L, 9L, 0L, 0L, 5L, 0L, 0L, 
            0L, 1L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 1L, 0L, 0L, 0L, 15L, 0L, 
            51L, 10L, 0L, 0L, 0L, 0L, 2L, 0L, 0L, 0L, 0L, 2L, 0L, 0L, 0L, 
            0L, 0L, 0L, 0L, 0L, 0L, 0L, 1L, 3L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 
            0L, 0L, 0L, 45L, 203L, 17L, 54L, 4L, 1L, 0L, 0L, 0L, 0L, 10L, 
            9L, 0L, 0L, 0L, 2L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 12L, 0L, 
            0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 2L, 0L, 22L, 206L, 9L, 16L, 1L, 
            1L, 6L, 6L, 0L, 0L, 4L, 5L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
            0L, 7L, 0L, 0L, 3L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
            2L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 12L, 3L, 1L, 0L, 
            0L, 0L, 0L, 0L, 0L, 0L, 23L, 4L, 1L, 2L, 0L, 2L, 0L, 0L, 0L, 
            0L, 0L, 0L, 0L, 0L, 76L, 0L, 96L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 
            11L, 0L, 3L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 270L, 
            144L, 7L, 8L, 15L, 6L, 6L, 2L, 6L, 1L, 25L, 5L, 0L, 1L, 1L, 0L, 
            0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 14L, 2L, 1L, 0L, 0L, 0L, 0L, 
            0L, 3L, 0L, 0L, 0L, 3L, 2L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
            0L, 2L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 2L, 1L, 0L, 
            0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 2L, 7L, 0L, 0L, 0L, 0L, 0L, 
            0L, 14L, 1L, 0L, 0L, 0L, 0L, 0L, 1L, 0L, 0L, 1L, 0L, 0L, 0L, 
            0L, 0L), .Dim = c(12L, 32L), .Dimnames = list(c("a", "b", "c", 
                                                            "d", "e", "f", "g", "h", "i", "j", "k", "l"), c("a", "b", "c", 
                                                                                                            "d", "e", "f", "g", "h", "i", "j", "k", "l", "m", "n", "o", "p", 
                                                                                                            "q", "r", "s", "t", "u", "v", "w", "x", "y", "z", "a1", "b1", 
                                                                                                            "c1", "d1", "e1", "f1")))

我正在进行此分析：

library(vegan)
feed_raw.hel = decostand(feed.raw1, method = "pa")

pca.feed=vegan::rda(feed_raw.hel, scale=FALSE) 
head(summary(pca.feed))

它给了我这个错误：

Canonical correspondence analysis

Class: rda cca
Call: rda(X = feed_raw.hel, scale = FALSE)

Total inertia: 0

Eigenvalues:
Error in names(vec) <- paste("Ax", 1:length(vec), sep = "") : 
  attempt to set an attribute on NULL

Answer 1

未发现错误（请参阅OP中的评论）：

> library(vegan)
> feed_raw.hel = decostand(feed.raw1, method = "pa")
>
> pca.feed=vegan::rda(feed_raw.hel, scale=FALSE)
> head(summary(pca.feed))

Call:
rda(X = feed_raw.hel, scale = FALSE)

Partitioning of variance:
              Inertia Proportion
Total           5.394          1
Unconstrained   5.394          1

Eigenvalues, and their contribution to the variance

Importance of components:
                         PC1    PC2    PC3    PC4     PC5     PC6     PC7
Eigenvalue            2.0696 0.7676 0.6639 0.5502 0.41578 0.31941 0.22209
Proportion Explained  0.3837 0.1423 0.1231 0.1020 0.07708 0.05922 0.04117
Cumulative Proportion 0.3837 0.5260 0.6491 0.7511 0.82817 0.88739 0.92856
                          PC8     PC9    PC10    PC11
Eigenvalue            0.15383 0.11310 0.07857 0.03984
Proportion Explained  0.02852 0.02097 0.01457 0.00739
Cumulative Proportion 0.95708 0.97805 0.99261 1.00000

Scaling 2 for species and site scores
* Species are scaled proportional to eigenvalues
* Sites are unscaled: weighted dispersion equal on all dimensions
* General scaling constant of scores:  2.775394


Species scores

          PC1      PC2      PC3      PC4        PC5      PC6
a    -0.03289 -0.13245  0.18066  0.12616 -0.2028751  0.07257
b    -0.19170 -0.26686 -0.20142 -0.16621  0.0739356 -0.16726
c    -0.43542 -0.24013 -0.02194  0.16668 -0.0037653  0.18018
d    -0.43702  0.08614 -0.05548 -0.06814 -0.0009418 -0.03947
e    -0.24815 -0.06070  0.29795  0.18439 -0.0879021 -0.02246
f     0.08852  0.11597 -0.07947  0.02250 -0.0926734 -0.13060
....                                                    


Site scores (weighted sums of species scores)

          PC1      PC2      PC3     PC4     PC5     PC6
a    -1.65813  0.55267  0.90341  0.4485  0.8856 -0.7321
b    -1.70818  0.11084 -1.33080 -0.9734 -0.8929  0.4280
c    -0.25333 -1.02024  1.39160  0.9718 -1.5627  0.5590
d    -0.09478 -1.47685 -1.03494  1.1078  1.2228 -0.2536
e     0.26417  0.60502  0.71856 -0.6194  1.1614  1.2200
f     0.36048 -0.01608 -0.09826 -0.2709  0.3182  1.3866
....

Answer 2

我也有这个问题，最后发现，至少在我的情况下，另一个包（ade4）也有一个cca函数，它掩盖了素食主义者的cca函数。有些模糊地在帮助文件中提到了这一点。我通过重新启动我的R会话（在RStudio中）并按此顺序调用库来修复我的代码中的这个问题：

library(ade4)
library(vegan)

然后vegan :: cca函数占用了ade4 :: cca函数的总统。

R中的RDA分析给出错误＆＃34;尝试在NULL上设置属性＆＃34;

2 个答案: