下载文档原格式
基于R语言的主成分分析在数据降维中的应用探究主成分分析（PCA）是一种常用的数据降维方法，在数据处理和分析中具有广泛的应用。
基于R语言的主成分分析可以帮助我们更好地理解数据集的结构和特征，并降低数据的维度，从而使得后续的分析更加简化和高效。
在本文中，我们将探究基于R语言的主成分分析在数据降维中的应用。
首先，我们将介绍主成分分析的原理和基本概念，然后使用R语言进行实际操作，并探讨主成分分析在数据降维中的效果和局限性。
一、主成分分析的原理和基本概念主成分分析是一种基于线性变换的数据降维技术，它通过将原始数据投影到新的坐标系上，使得投影后的数据具有最大的方差。
主成分分析的目标是找到最重要的成分，并将数据在这些主成分上进行重新表示。
这些主成分是原始数据中具有最大方差的线性组合。
主成分分析的步骤如下：1. 数据标准化：对原始数据进行标准化处理，以确保数据具有零均值和单位方差。
2. 协方差矩阵计算：计算标准化后的数据的协方差矩阵。
3. 特征值和特征向量计算：求解协方差矩阵的特征值和特征向量。
4. 特征值排序：按照特征值的大小将特征向量进行排序。
5. 特征向量选择：选择特征值较大的前k个特征向量作为主成分。
6. 数据转换：使用选定的主成分将原始数据转换到新的坐标系中。
二、基于R语言的主成分分析实践下面我们将使用R语言进行主成分分析的实践，并使用一个示例数据集来说明该方法的应用。
首先，我们加载所需的R包，并读取示例数据集。
示例数据集包含5个变量（A、B、C、D、E）和200个观测值。
我们可以使用以下代码来实现：```R# 加载所需的R包library(stats)# 读取示例数据集data <- read.csv("example_dataset.csv")```接下来，我们可以对数据进行标准化处理，将其转化为具有零均值和单位方差的数据。
这可以通过R语言中的scale()函数来实现，如下所示：```R# 对数据进行标准化处理scaled_data <- scale(data)```完成数据标准化后，我们可以计算标准化后数据的协方差矩阵。
R语言主成分分析在生物医学研究中的应用案例主成分分析（Principal Component Analysis，PCA）是一种常用的多变量统计方法，可以用于降维和数据可视化。
在生物医学研究中，主成分分析被广泛应用于基因表达数据和临床数据的分析，以及图像处理和模式识别等领域。
本文将介绍两个生物医学研究中主成分分析的应用案例，分别是基因表达数据分析和医学图像的分析。
一、基因表达数据分析基因表达数据是生物医学研究中非常重要的数据之一，可以帮助我们理解基因和疾病之间的关系。
主成分分析被广泛应用于基因表达数据的分析，用于降维和发现基因表达的隐藏模式。
下面是一个基于R语言的基因表达数据分析案例：假设我们有一个包含多个样本和数千个基因的基因表达数据集。
首先，我们需要对基因表达数据进行预处理，包括去除低表达基因和标准化数据。
然后，我们可以使用R语言中的prcomp()函数进行主成分分析。
```R# 读取基因表达数据gene_expression <- read.csv("gene_expression.csv")# 去除低表达基因gene_expression_filtered <- gene_expression[rowSums(gene_expression > 0) > 10, ] # 标准化数据gene_expression_scaled <- scale(gene_expression_filtered)# 主成分分析pca_result <- prcomp(gene_expression_scaled)# 查看主成分的方差贡献比例variance_ratio <- pca_result$sdev^2 / sum(pca_result$sdev^2)# 绘制累计方差贡献图plot(cumsum(variance_ratio), type = "b", xlab = "Number of Components", ylab = "Cumulative Variance Ratio")# 选择合适的主成分数量n_components <- 10# 提取前n个主成分的得分pca_scores <- as.data.frame(pca_result$x[,1:n_components])# 可视化主成分得分library(ggplot2)ggplot(pca_scores, aes(x = PC1, y = PC2, color = group)) + geom_point()```通过主成分分析，我们可以得出以下结论：1. 主成分分析可以帮助我们识别基因表达数据中的主要模式和变化。
一、GeoChip 数据处理1 准备数据•登录数据库，用户名ieg\jianqiang，PW：ieg123?•选择GeoChip4数据，再次输入用户密码；•点击Prepare microarray data，点击选择要分析的数据，点击submit，勾选“Remove the spots SNR less than 2”，此即为SNR数据；若勾选“Adjust SNR according to Thermophile probes less than 5%”，此即为Thermo数据；•勾选“by dividing the mean of each sample”，即为DBM数据，若不勾选，则为relative abundance（RA）数据；•这样就有四套数据分别为SNR DBM、SNR RA、Thermo DBM、Thermo RA，选择好要下载的数据后，输入“Experimental Name:”，点击submit，点击“set it as default”点击go，随后点击main回到主界面，点击“Analyze microarray data”在跳出的对话框中点cancel，点击如下图所示项目后，点击submit；在show information框中选择除了“All targets”外的所有项，点击submit；点击download后，待所有数据出来后另存为文本文件，这样就准备好一套数据，将所有4套数据都如此下载好。
•数据下载后，在excel中去除各样品重复中只有一个重复有检测到基因信号的数据，即为cut 1；•Relative abundance数据需要将各基因信号值分别除以该样品中所有基因信号值得和，再乘以各个样品基因信号值和的平均值，即data1/sum1*average。
这样即得到Relative abundance数据•Relative abundance数据继续做两种处理，一是将数据+1后取ln，一是将数据除以1000；这样总共是6套数据，将所有数据中0值替换为空白，同时只留下gene ID和genename两项，另存为tab delimited txt文件，即可用于DCA（Detrended Correspondence Analysis）、Dissimilarity Test、cluster（A simple hierarchical clustering analysis）分析；2 数据预分析2.1 DCA分析在数据分析界面点击以下项后，上传刚刚准备的数据，即可做DCA分析，结果可获得DCA图及DCA数据，可拷贝出数据自行作图；2.2 Dissimilarity Test点击后，上传数据，选择需要比较的样品，即可做MRPP、anosim、adonis比较，记录distance和sig值；2.3 cluster分析点击，将数据按各样品取平均值后上传分析，即可得cluster图。
R语⾔PCA1、关键点综述：主成分分析因⼦分析典型相关分析，三种⽅法的共同点主要是⽤来对数据降维处理的从数据中提取某些公共部分，然后对这些公共部分进⾏分析和处理。
#主成分分析是将多指标化为少数⼏个综合指标的⼀种统计分析⽅法主成分分析是⼀种通过降维技术把多个变量化成少数⼏个主成分的⽅法，这些主成分能够反映原始变量的⼤部分信息，他们通常表⽰为原始变量的线性组合。
2、函数总结#R中作为主成分分析最主要的函数是princomp()函数#princomp()主成分分析可以从相关阵或者从协⽅差阵做主成分分析#summary()提取主成分信息#loadings()显⽰主成分分析或因⼦分析中载荷的内容#predict()预测主成分的值#screeplot()画出主成分的碎⽯图#biplot()画出数据关于主成分的散点图和原坐标在主成分下的⽅向3、案例#现有30名中学⽣⾝⾼、体重、胸围、坐⾼数据，对⾝体的四项指标数据做主成分分析。
#1.载⼊原始数据test<-data.frame(X1=c(148, 139, 160, 149, 159, 142, 153, 150, 151, 139,140, 161, 158, 140, 137, 152, 149, 145, 160, 156,151, 147, 157, 147, 157, 151, 144, 141, 139, 148),X2=c(41, 34, 49, 36, 45, 31, 43, 43, 42, 31,29, 47, 49, 33, 31, 35, 47, 35, 47, 44,42, 38, 39, 30, 48, 36, 36, 30, 32, 38),X3=c(72, 71, 77, 67, 80, 66, 76, 77, 77, 68,64, 78, 78, 67, 66, 73, 82, 70, 74, 78,73, 73, 68, 65, 80, 74, 68, 67, 68, 70),X4=c(78, 76, 86, 79, 86, 76, 83, 79, 80, 74,74, 84, 83, 77, 73, 79, 79, 77, 87, 85,82, 78, 80, 75, 88, 80, 76, 76, 73, 78))#2.作主成分分析并显⽰分析结果test.pr<-princomp(test,cor=TRUE) #cor是逻辑变量当cor=TRUE表⽰⽤样本的相关矩阵R做主成分分析当cor=FALSE表⽰⽤样本的协⽅差阵S做主成分分析summary(test.pr,loadings=TRUE) #loading是逻辑变量当loading=TRUE时表⽰显⽰loading 的内容#loadings的输出结果为载荷是主成分对应于原始变量的系数即Q矩阵分析结果含义#----Standard deviation 标准差其平⽅为⽅差=特征值#----Proportion of Variance ⽅差贡献率#----Cumulative Proportion ⽅差累计贡献率#由结果显⽰前两个主成分的累计贡献率已经达到96% 可以舍去另外两个主成分达到降维的⽬的因此可以得到函数表达式 Z1=-0.497X'1-0.515X'2-0.481X'3-0.507X'4Z2= 0.543X'1-0.210X'2-0.725X'3-0.368X'4#4.画主成分的碎⽯图并预测screeplot(test.pr,type="lines")p<-predict(test.pr)由碎⽯图可以看出第⼆个主成分之后图线变化趋于平稳因此可以选择前两个主成分做分析。
基于主成分分析的R语言实现与应用研究主成分分析（Principal Component Analysis, PCA）是一种常用的降维技术，它能够将高维数据集转化为低维空间，以便于分析和可视化。
本文将讨论基于主成分分析的R语言实现与应用研究。
首先，我们介绍主成分分析的原理和方法。
主成分分析通过找到数据中具有最大方差的线性变换，将高维数据投影到新的坐标系中，使得新的变量（主成分）相互之间不相关。
这样做的目的是减少特征之间的相关性，从而捕捉到数据集的主要信息。
在R语言中，我们可以使用prcomp函数实现主成分分析。
首先，我们需要将数据准备好，并进行必要的数据预处理，如归一化处理、缺失值处理等。
然后，通过调用prcomp函数，我们可以得到每个主成分的方差贡献率、特征向量以及主成分得分。
方差贡献率表示每个主成分所占总方差的比例，特征向量表示每个主成分在原始变量上的权重，主成分得分则是每个样本在主成分上的投影值。
除了基本的主成分分析，我们还可以进行降维处理。
降维是主成分分析的一个重要应用，它可以帮助我们从高维数据中提取出最具代表性的特征，并减少特征的数量。
在R语言中，我们可以通过设置prcomp函数的参数n来控制想要保留的主成分数量，从而实现降维。
在实际应用中，主成分分析可以被广泛应用于数据可视化、数据预处理、特征选择等领域。
例如，当我们面对大量特征的数据集时，我们可以使用主成分分析来识别并选择最相关的特征子集。
此外，主成分分析还可以帮助我们发现数据中的异常值、聚类模式等。
值得注意的是，主成分分析对数据集的分布假设是线性的，因此在非线性关系较强的数据集上，主成分分析的效果可能会有所限制。
除了对独立数据集的分析，主成分分析还可以应用于时间序列数据。
在时间序列分析中，我们可以使用主成分分析来对不同时间点的数据进行降维，以便分析时间序列数据的特征和趋势。
此外，主成分分析还可以用来处理多变量时间序列，并帮助我们识别出时间序列中的主要模式。
R语言主成分分析在文本挖掘中的应用探索主成分分析（Principal Component Analysis，简称PCA）是一种常用的统计分析方法，可以降低数据维度和提取重要特征。
在文本挖掘中，R语言主成分分析可以应用于多个方面，包括文本数据降维、文本分类、文本聚类等。
本文将探索R 语言主成分分析在文本挖掘中的应用。
1. 文本数据向量化文本挖掘首先需要将文本数据向量化，将其转化为数值型矩阵，以便进行主成分分析。
在R语言中，我们可以使用"tm"包和"tidytext"包来进行文本预处理和向量化。
首先，可以使用"tm"包对文本进行词频统计，提取关键词，并创建词袋模型。
然后，使用"tidytext"包将文本转换为词-文档矩阵，其中行代表文档，列代表词，并且每个单元格的值表示对应词在文档中的出现频率。
2. 文本数据降维主成分分析可以通过线性变换将原始的高维数据映射到低维空间，提取出重要的特征。
在文本挖掘中，可以利用主成分分析对文本数据进行降维，以便更好地理解和分析文本。
在R语言中，可以使用"prcomp"函数对文本向量进行主成分分析。
该函数会返回主成分得分和主成分的方差贡献率等信息。
可以通过设定方差贡献率的阈值，选择保留的主成分个数，从而实现文本数据降维。
3. 文本特征提取主成分分析可以从文本数据中提取关键特征，这对于后续的文本分类和聚类任务非常有用。
在R语言中，可以通过获取主成分的贡献度来确定每个主成分所代表的特征。
可以使用"princomp"或"prcomp"函数获取主成分的贡献度，并根据贡献度的大小选择最具代表性的主成分特征。
通过提取主成分的特征，可以帮助理解文本的关键主题、词汇分布等。
4. 文本分类与聚类主成分分析在文本分类和聚类中也有广泛应用。
通过提取文本特征，并利用主成分分析得到的低维表示，可以对文本进行分类和聚类。
R语言PCA降维_光环大数据培训机构学生身体4 项指标的主成份分析excel数据学生序号x1身高x2体重x3胸围x4坐高114841727821393471763160497786414936677951594580866142316676715343768 381504377799151427780101393168741114029647412161477884131584978831414 033677715137316673161523573791714947827918145357077191604774872015644 788521151427382221473873782315739688024147306575251574880882615136748 027144366876281413067762913932687330148387078复制数据到剪切板数据读入R软件> d=read.table(“clipboard”,header=T)> dx1身高 x2体重 x3胸围 x4坐高1 148 41 72 783 160 49 77 864 149 36 67 795 159 45 80 866 142 31 66 767 153 43 76 838 150 43 77 799 151 42 77 8010 139 31 68 7411 140 29 64 7412 161 47 78 8413 158 49 78 8314 140 33 67 7715 137 31 66 7316 152 35 73 7917 149 47 82 7918 145 35 70 7719 160 47 74 8720 156 44 78 8521 151 42 73 8222 147 38 73 7823 157 39 68 8025 157 48 80 8826 151 36 74 8027 144 36 68 7628 141 30 67 7629 139 32 68 7330 148 38 70 78原始数据标准化> sd=scale(d)标准化数据展示复制到剪切板> sdx1身高 x2体重 x3胸围 x4坐高[1,] -0.1366952 0.35602486 -0.04530114 -0.31999814 [2,] -1.3669516 -0.72752905 -0.23944887 -0.78828809 [3,] 1.5036468 1.59437218 0.92543751 1.55316168[4,] 0.0000000 -0.41794222 -1.01603978 -0.08585316 [5,] 1.3669516 0.97519852 1.50788070 1.55316168[6,] -0.9568661 -1.19190930 -1.21018751 -0.78828809 [7,] 0.5467806 0.66561169 0.73128978 0.85072675[8,] 0.1366952 0.66561169 0.92543751 -0.08585316[10,] -1.3669516 -1.19190930 -0.82189205 -1.25657805 [11,] -1.2302564 -1.50149613 -1.59848297 -1.25657805 [12,] 1.6403419 1.28478535 1.11958524 1.08487173[13,] 1.2302564 1.59437218 1.11958524 0.85072675[14,] -1.2302564 -0.88232247 -1.01603978 -0.55414311 [15,] -1.6403419 -1.19190930 -1.21018751 -1.49072302 [16,] 0.4100855 -0.57273564 0.14884659 -0.08585316 [17,] 0.0000000 1.28478535 1.89617616 -0.08585316[18,] -0.5467806 -0.57273564 -0.43359660 -0.55414311 [19,] 1.5036468 1.28478535 0.34299432 1.78730666[20,] 0.9568661 0.82040510 1.11958524 1.31901671[21,] 0.2733903 0.51081827 0.14884659 0.61658177[22,] -0.2733903 -0.10835539 0.14884659 -0.31999814 [23,] 1.0935613 0.04643802 -0.82189205 0.14829182[24,] -0.2733903 -1.34670271 -1.40433524 -1.02243307 [25,] 1.0935613 1.43957876 1.50788070 2.02145164[26,] 0.2733903 -0.41794222 0.34299432 0.14829182[27,] -0.6834758 -0.41794222 -0.82189205 -0.78828809 [28,] -1.0935613 -1.34670271 -1.01603978 -0.78828809 [29,] -1.3669516 -1.03711588 -0.82189205 -1.49072302 [30,] -0.1366952 -0.10835539 -0.43359660 -0.31999814x1身高 x2体重 x3胸围 x4坐高149.00000 38.70000 72.23333 79.36667attr(,”scaled:scale”)x1身高 x2体重 x3胸围 x4坐高7.315548 6.460223 5.150717 4.270858读取标准化数据> d=read.table(“clipboard”,header=T)主成分分析> pca=princomp(d,cor=T)碎石图> screeplot(pca,type=”line”,main=”碎石图”,lwd=2) >主成分1贡献率较高求相关矩阵> dcor=cor(d)输出> dcorx1身高 x2体重 x3胸围 x4坐高x1身高 1.0000000 0.8631621 0.7321119 0.9204624 x2体重 0.8631621 1.0000000 0.8965058 0.8827313 x3胸围 0.7321119 0.8965058 1.0000000 0.7828827 x4坐高 0.9204624 0.8827313 0.7828827 1.0000000求相关矩阵的特征向量特征值> deig=eigen(dcor)输出>deig$values[1] 3.54109800 0.31338316 0.07940895 0.06610989$vectors[1,] -0.4969661 0.5432128 -0.4496271 0.5057471[2,] -0.5145705 -0.2102455 -0.4623300 -0.6908436[3,] -0.4809007 -0.7246214 0.1751765 0.4614884[4,] -0.5069285 0.3682941 0.7439083 -0.2323433输出特征值> deig$values[1] 3.54109800 0.31338316 0.07940895 0.06610989> sumeigv=sum(deig$values)> sumeigv[1] 4求前2个主成分的累积方差贡献率> sum(deig$value[1:2])/4[1] 0.9636203> sum(deig$value[1:1])/4[1] 0.8852745第一主成份有88.53%的方差贡献率,前两个主成份累计贡献率更高达96.36%,故只需前两个主成份就能很好地概括这组数据.输出前两个主成分的载荷系数（特征向量）> pca$loadings[,1:2]Comp.1 Comp.2x1身高 -0.4969661 0.5432128x2体重 -0.5145705 -0.2102455x3胸围 -0.4809007 -0.7246214x4坐高 -0.5069285 0.3682941—————————————–z1=-0.4969661 x1+-0.5145705 x2 +-0.4809007×3+-0.5069285×4z2=0.5432128 x1+-0.2102455 x2 +-0.7246214×3+0.3682941×4z= 3.54109800/4 z1 + 0.31338316/4 z2=0.8852745 z1 +0.07834579 Z2=0.8852745(-0.4969661 x1+-0.5145705 x2+-0.4809007×3+-0.5069285×4)+0.07834579 (0.5432128 x1+-0.2102455 x2+-0.7246214×3+0.3682941×4)—————————————–计算主成分C1和C2的系数b1 和b2：> deig$values[1]/4;deig$values[2]/4[1] 0.8852745[1] 0.07834579综合得分函数C 为：C=(b1*C1+b2*C2)/(b1+b2)=0.9187*C1+0.0813*C2输出前2 个主成分的得分> s=pca$scores[,1:2]计算综合得分> c=s[1:30,1]*0.918696+s[1:30,2]*0.0813> s[1:30,1][1] 0.06990950 1.59526340 -2.84793151 0.75996988 -2.739667772.10583168[7] -1.42105591 -0.82583977 -0.93464402 2.36463820 2.83741916 -2.608512241.07392251[19] -2.52174212 -2.14072377 -0.79624422 0.28708321 -0.25151075 2.05706032[25] -3.08596855 -0.16367555 1.37265053 2.16097778 2.40434827 0.50287468输出综合得分信息> cbind(s,c)Comp.1 Comp.2 c[1,] 0.06990950 -0.23813701 0.04486504[2,] 1.59526340 -0.71847399 1.40715017[3,] -2.84793151 0.38956679 -2.58471151[4,] 0.75996988 0.80604335 0.76371262[5,] -2.73966777 0.01718087 -2.51552502[6,] 2.10583168 0.32284393 1.96086635[7,] -1.42105591 -0.06053165 -1.31043961[8,] -0.82583977 -0.78102576 -0.82219309[9,] -0.93464402 -0.58469242 -0.90618922[10,] 2.36463820 -0.36532199 2.14268298[11,] 2.83741916 0.34875841 2.63507969[12,] -2.60851224 0.21278728 -2.37913015[13,] -2.44253342 -0.16769496 -2.25757928[14,] 1.86630669 0.05021384 1.71865087[16,] 0.06392983 0.20718448 0.07557617[17,] -1.55561022 -1.70439674 -1.56770034[18,] 1.07392251 -0.06763418 0.98110965[19,] -2.52174212 0.97274301 -2.23763039[20,] -2.14072377 0.02217881 -1.96487123[21,] -0.79624422 0.16307887 -0.71824807[22,] 0.28708321 -0.35744666 0.23468178[23,] -0.25151075 1.25555188 -0.12898555[24,] 2.05706032 0.78894494 1.95395431[25,] -3.08596855 -0.05775318 -2.83976229[26,] -0.16367555 0.04317932 -0.14685759[27,] 1.37265053 0.02220972 1.26285420[28,] 2.16097778 0.13733233 1.99644676[29,] 2.40434827 -0.48613137 2.16934265[30,] 0.50287468 0.14734317 0.47396795>排序[11,]2.837419160.348758412.63507969[15,]2.81347421-0.317901072.55 888214[29,]2.40434827-0.486131372.16934265[10,]2.3646382-0.365321992. 14268298[28,]2.160977780.137332331.99644676[6,]2.105831680.322843931. 96086635[24,]2.057060320.788944941.95395431[14,]1.866306690.050213841 .71865087[2,]1.5952634-0.718473991.40715017[27,]1.372650530.022209721 .2628542[18,]1.07392251-0.067634180.98110965[4,]0.759969880.80604335060.23468178[16,]0.063929830.207184480.07557617[1,]0.0699095-0.2381370 10.04486504[23,]-0.251510751.25555188-0.12898555[26,]-0.163675550.043 17932-0.14685759[21,]-0.796244220.16307887-0.71824807[8,]-0.82583977-0.78102576-0.82219309[9,]-0.93464402-0.58469242-0.90618922[7,]-1.4210 5591-0.06053165-1.31043961[17,]-1.55561022-1.70439674-1.56770034[20,] -2.140723770.02217881-1.96487123[19,]-2.521742120.97274301-2.23763039 [13,]-2.44253342-0.16769496-2.25757928[12,]-2.608512240.21278728-2.37 913015[5,]-2.739667770.01718087-2.51552502[3,]-2.847931510.38956679-2 .58471151[25,]-3.08596855-0.05775318-2.83976229为什么大家选择光环大数据！大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
基于R语言的主成分分析方法综述主成分分析（Principal Component Analysis，PCA）是一种常用的多变量数据分析方法，用于降维和数据可视化。
本文将综述基于R语言的主成分分析方法。
一、主成分分析的原理主成分分析是一种线性变换技术，用于将高维数据转换为低维表示。
其基本原理是通过寻找数据的主要方向，将数据在这些方向上的方差最大化，从而实现降维。
主成分分析可以用于数据的可视化、数据压缩和特征提取等领域。
主成分分析的步骤：1. 数据标准化：首先对原始数据进行标准化处理。
2. 构造协方差矩阵：根据标准化后的数据，构造协方差矩阵。
3. 计算特征值和特征向量：对协方差矩阵进行特征值分解，得到特征值和对应的特征向量。
4. 选取主成分：根据特征值的大小，选择保留的主成分数量。
5. 构造新的特征空间：选取保留的主成分，构造新的特征空间。
6. 数据转换：将原始数据投影到新的特征空间中。
二、R语言中的主成分分析方法R语言是一种常用的统计分析软件，具有丰富的主成分分析函数和包。
下面将介绍几种常用的R语言主成分分析方法。
1. prcomp函数：prcomp函数是R语言中进行主成分分析的函数之一。
它通过奇异值分解（singular value decomposition，SVD）计算主成分。
以下是使用prcomp函数进行主成分分析的示例代码：```R# 载入数据data <- read.csv("data.csv")# 数据标准化data_scaled <- scale(data)# 主成分分析pca <- prcomp(data_scaled)# 主成分贡献度pca_variances <- pca$sdev^2pca_variances_ratio <- pca_variances / sum(pca_variances)# 主成分得分pca_scores <- pca$x```2. princomp函数：princomp函数是另一种常用的R语言主成分分析函数。
