其实R数据分析：主成分分析和可视化的问题并不复杂，但是又很多的朋友都不太了解，因此呢，今天小编就来为大家分享R数据分析：主成分分析和可视化的一些知识，希望可以帮助到大家，下面我们一起来看看这个问题的分析吧！

数据介绍及PCA

今天我们使用R自带的数据集mtcars，这个数据集只有32个观测值，但是有11个变量，太多了。我们将进行PCA 来选择主成分：

这里大家要注意，主成分分析只能适用于数值变量，而且变量必须标准化

PCA 仅适用于数值数据分类数据必须编码为数值数据（例如one-hot）数值数据必须进行缩放（否则你的PCA 将产生误导）str(mtcars)

可以看到我们的数据都是数值变量但是没有标准化，所以我们做PCA的时候记得标准化一下。很简单，只需将scale参数设置为true即可：

mtcars.pca – prcomp(mtcars, center=TRUE,scale.=TRUE)summary(mtcars.pca) 上面的代码实现了整个数据的主成分分析，并输出我们每个主成分解释的方法比。

很多时候，我们还需要画砾石图来决定保留多少个主成分。这也很容易实现：

屏幕图（mtcars.pca，类型=’线’）

主成分可视化

最有趣的是我们可以很容易地画出变量和主成分之间的关系：

库（ggbiplot）ggbiplot（mtcars.pca）

在上图中，所有主成分均从图的中心发射。我们可以看到变量hp、cyl、disp 和wt 对主成分1 的贡献很大。这里还不够。我们的数据集是关于汽车的。我们还想看看哪些变量在哪些汽车上表现更好。

这时我们可以给图片中的样本点添加标签：

ggbiplot(mtcars.pca, 标签=rownames(mtcars))

这样你就可以看到哪些样本点具有最相似的特征。

除了

您可以分组显示样本点。例如，在我的示例中，有些汽车来自日本，有些汽车来自美国，有些汽车来自欧洲。我想了解不同国家的汽车在每个变量和每个主题上的表现。它的成分表现如何：

mtcars.country – c(rep(‘日本’, 3),rep(‘美国’,4),rep(‘欧洲’,7),rep(‘美国’,3),’欧洲’,rep(‘日本’, 3), 代表(‘美国’,4), 代表(‘欧洲’, 3), ‘美国’, 代表(‘欧洲’, 3))ggbiplot(mtcars.pca,ellipse=TRUE, labels=rownames( mtcars), groups=mtcars.country)

正如您所看到的，使用组变量，绘图时将自动添加圆圈和图例。

通过圆圈我们可以发现，美国车的hp、cyl、disp、wt特性更强！美国车和日本车的区别还是蛮大的。

当然，上面的分析只是我从第一组成分和第二主成分的角度得到的。

我想查看其他主组件，例如PC3 和PC4，可以吗？

安排：

ggbiplot（mtcars.pca，椭圆=TRUE，选择=c（3,4），标签=rownames（mtcars），组=mtcars.country）

这时我们发现一切都混乱了，因为3和4主成分解释的变异并不大，所以三个国家的汽车在这张图中看不出差异是很正常的，所以通常会默认我们将从1,2 主成分的角度呈现我们的数据。

小结

也欢迎大家提出意见和建议。

如果您是本科生或研究生，如果您担心自己的统计作业、数据分析、论文、报告、考试等，如果您在使用SPSS、R、Python、Mplus、Excel时遇到任何问题，请联系我们。你可以联系我。因为我可以为您提供最好、最详细、最耐心的数据分析服务。

如果您是一名学生，并且担心统计#Assignments、#Data #Analysis、#Thesis、#reports、#compose、#Quizzes、Exams.如果您在#SPSS、#R-Programming 中遇到问题， #Excel、Mplus，然后联系我。因为我可以为您的数据分析提供最好的服务。

您是否对用于数据分析的z 检验、t 检验、方差分析、多元方差分析、回归、逻辑回归、卡方、相关性、关联、SEM、多级模型、中介和调节等统计技术感到困惑？

然后联系我。我会解决你的问题.

来吧，打工人！