pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
? 创造性状组合
通过组合来自两个现有变量的类别来创建一个新的分类变量。从两个选择变量中的每个类别的组合被视为新变量中的新类别。由此产生的新变量总是的。现有变量保留完整，但您可以通过modify|delete按钮很容易的将它删除。
例如，假设您有两个分类变量，一个是对原生与非本土物种的编码，一个是对一年生植物和多年生植物的编码。这可能在分析中发挥作用，如果这些物种的组合，例如，非本地一年生植物，在生态上与所有现存物种特别不同？因此，您可能希望用这些性状类别的所有四种组合来创造一个新的分类变量：（1）本地一年生植物，（2）原生多年生植物，（3）非天然一年生植物，（4）非天然多年生植物。
? 计算su x形状矩阵
计算样本单元x特征矩阵提供了分析物种性状和解释变量之间关系的灵活的步。该矩阵是通过将样本单元x物种矩阵乘以物种x特征矩阵来获得的，但是矩阵所得到结果的内容，取决于性状是否标准化，以及乘法之后是否是加权平均步长（mccune 2015）。为了大化sux性状矩阵的通用性，包括性状之间的可比性，以及广泛的距离度量的可用性，我们建议首先将性状标准化为小至大，然后计算每个样本单位的丰度加权性状平均值。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
? morisita-horn distance
horn（1966）修正了morisitad(1959)相似性度量，因而有了现在大家熟知的morista-horn的相似性或距离。这个距离度量的主要吸引力是它对取样工作相对不敏感（wolda 1981）。因此，对于不可能控制采样时间、面积或体积的情况有用。
morisita-horn指数对小物种的影响较小，这在很大程度上是因为该方法抗欠采样的原因。同时，它使该方法对小物种携带的模式不敏感。
? 在permanova和指示物种分析中增加块或组的大数目到1,000
? 新summary | write距离矩阵选项
? 物种面积曲线的自举置信区间
? pca选项将预测方程写入文本文件
? pca选项将特征值从随机化写入电子表格
? 使用peres-neto et al.(2006)方法在cca中增加r2perm调整方差
? 使用peres-neto et al.(2006)方法在rda中增加ezekiel和r2perm调整方差
? 添加了拟合方法，包括基于随机的方法到nms中
? dust bunny指数从多元正态到dust bunny分布作为出发度量
? 新summary | write距离矩阵选项：
√ 只写次对角线距离（对于连续样本）
√ 写对子对角线距离（配对样本）
图形功能扩展
? 应用按钮在不退出偏好对话框的情况下立即预览更改
? 保存群中心的分数为电子表格或文本文件
? 将图片保存为tiff格式
? species frequency label cutoff
? tick marks数量控制
? reorder legend
? 定制工具栏
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
等高线覆盖图
当您选择一个q变量作为覆盖时，您会得到一个表格显示拟合是如何随柔韧度（平滑参数）变化而变化的，这个参数被用于非参数回归的覆盖变量而不是轴得分。如果您选择“optimize” 柔韧度，pc-ord会选择具有高交叉验证适合度（xr2）的柔韧度。如果您希望为柔韧度选择特定值，请选择specify柔韧度。如果需要的话，使用“optimize”下的表格来帮助您选择一个特定的柔韧度。后，您可以得到一个轮廓叠加到排序空间中，您还可以自定义，包括颜色阴影和/或轮廓间隔标记。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
pc-ord和r软件功能对比
虽然在pc-ord和r中有许多相同的工具可用，但是用户体验从根本上不同。为了对r中的社区数据进行必要和适当的分析，您必须学习r编程语言，手动识别、搜索、下载“vegan”和各种其他的程序包，并根据需要修改代码以实现分析目标并获得合适的图形。pc-ord软件操作简单、专家驱动的分析偏好选项、点击图形用户界面便利、交互式图形的功能很灵活、内置上下文敏感的帮助系统以及免费专用技术支持，这些在r软件里都是没有的功能。r软件鼓励用户开发脚本，pc-ord还允许高级用户通过其“批处理”功能开发脚本，以及将用户开发的模块集成到菜单系统中。因此，pc-ord使您能够快速、有信心地选择、运行和解释适当的分析，并在没有准备工作的情况下生成定制的、出版质量的图形。使社区分析的过程变得简单和容易，以至于初学者实际上有可能做到这一点并且做得正确。pc-ord不仅把您需要的大部分工具放在一个地方，而且因为编程已经为您完成了，您可以把时间花在探索数据、回答问题和测试假设等真正重要的事情上。pc-ord帮助您确保可以清楚地看到数据集和目标的选项，并帮助您以强大的图形和详细的解释结果列表解释您的结果。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
? gower distance,忽略0,0
gower(1971)和legendre以及lengendre（1998）提出了一个有趣的但未经测试的gower相似系数的变体，忽略了0,0数据对。如果这些双零点被认为是不明确的信息，那么可以从系数的计算中排除它们。双零点的敏感性在社区生态学的分析中产生了不必要的影响
(legendre & legendre 1989, p. 253; mccune & grace 2002, p. 38, 51)。
legendre和legendre (1998)提出了gower相似系数（s19）的修改版本，称之为 asymmetrical，因为匹配零点的处理不同于非零值。它与gower系数相同，但不包括定量变量（0,0）对,因此，部分相似度的总和不是由p变量划分的，而是由p*非（0,0）对的数目来划分的。
请注意，这种“不对称”的感觉不同于矩阵对称性。如果legendre的非对称版本gower的相似性被转换为距离（或相异性），并用于建立距离矩阵，这仍然是对称矩阵。换句话说，项目a和b之间的距离与b和a之间的距离相同，即使使用gower的相似性的不对称版本。为了避免这种混乱，pc-ord使用菜单系统中的术语gower, ignore 0,0，并输出文件。
? morisita-horn distance
horn（1966）修正了morisitad(1959)相似性度量，因而有了现在大家熟知的morista-horn的相似性或距离。这个距离度量的主要吸引力是它对取样工作相对不敏感（wolda 1981）。因此，对于不可能控制采样时间、面积或体积的情况有用。