R tips：使用prcomp进行PCA降维

PCA分析和可视化常用的是FactoMineR和factoextra的组合，分析和出图都很方便，比如将iris数据集的四个参数降维（示例使用）：library(magrittr)library(ggplot2)# PCApca_facto F) # 绘图  factoextra::fviz_pca_ind(  pca_facto,  habillage = factor(iris$Species),  label = "none",  mean.point = F)可以发现两个主成分解释了近96%的原始数据。R中的prcomp函数也可以进行降维，从熟悉R函数的角度出发，尝试复现上述的降维图。降维前需要先将数据进行scale，否则结果会有少许差异：pca_prcp %   scale %>%  prcomp()pca_prcp是一个prcomp对象，降维的坐标在pca_prcp不能识别此Latex公式: x中，每个主成分的贡献值需要根据pca_prcpsdev计算。主成分的坐标：pca_prcp$x %>% .[,1:2]  %>% head# PC1        PC2# [1,] -2.257141 -0.47 ………………………………