关联测度（association measures），生成n*n的对称方阵。此为后续章节的基础。

测度（measure）、指数（index）和系数（coefficient）表达着相同的意思，目的都是量化对象对（Q模式，Q mode）或变量对（R模式，R mode）之间的关系。

在Q模式中。关联测度是对象之间的距离（distance）（相异性）或相似性（similarity），例如欧氏距离、Jaccard相似系数。在R模式下，关联测度是变量之间的依赖性（dependence）测度，例如协方差或相关系数。

微生物数据由于存在双零问题，会使得相关性偏高。

一个物种在一个样方或地点不存在，可能由很多原因引起：可能该地不适合该物种生存；可能适合该物种生存但还没有扩散到；可能某地不是该物种某些重要生态位维度的最优条件，因此分布受抑制；亦可能该物种是存在的，只是未观测或采集到该物种；以及由于数据处理的问题，相关数据被认定为噪音值并屏蔽。

今日在学习后，重绘书中的相异矩阵热图，关键函数如下：

coldiss(spe.db,byrank=FALSE,diag=TRUE)
coldiss(spe.dbln,byrank = FALSE,diag = TRUE)

除去代码靠前部分的数据清洗，本文提供coldiss的函数代码，转载自Github

"coldiss" <- function(D, nc = 4, byrank = TRUE, diag = FALSE)
{
  require(gclus)
  
  if (max(D)>1) D <- D/max(D)
  
  if (byrank) {
    spe.color <- dmat.color(1-D, cm.colors(nc))
  }
  else {
    spe.color <- dmat.color(1-D, byrank=FALSE, cm.colors(nc))
  }
  
  spe.o <- order.single(1-D)
  speo.color <- spe.color[spe.o, spe.o]
  
  op <- par(mfrow=c(1,2), pty="s")
  
  if (diag) {
    plotcolors(spe.color, rlabels=attributes(D)$Labels, 
               main="Dissimilarity Matrix", 
               dlabels=attributes(D)$Labels)
    plotcolors(speo.color, rlabels=attributes(D)$Labels[spe.o], 
               main="Ordered Dissimilarity Matrix", 
               dlabels=attributes(D)$Labels[spe.o])
  }
  else {
    plotcolors(spe.color, rlabels=attributes(D)$Labels, 
               main="Dissimilarity Matrix")
    plotcolors(speo.color, rlabels=attributes(D)$Labels[spe.o], 
               main="Ordered Dissimilarity Matrix")
  }
  
  par(op)
}

依据今天的尝试，未来可再次尝试第二章中的复杂图重绘，晚安。