在数据科学的世界里，主成分分析（Principal Component Analysis, PCA）是一项强大的工具，广泛应用于数据降维、特征提取和模式识别。无论你是数据分析新手还是资深专家，掌握PCA都能显著提升你的数据处理能力。今天，我们将通过R语言，使用内置的iris数据集，详细讲解如何进行PCA分析，并生成高质量的可视化图表。
三个变量能不能做PCA?
虽然PCA通常用于高维数据分析，但即使在仅有三个变量的情况下，进行PCA分析仍然是有意义的。通过PCA，可以识别这三个变量之间的主要变异方向和潜在的线性关系，有助于简化数据结构和揭示数据的潜在模式。然而，在进行PCA时需要注意以下几点：
相关性检查：确保三个变量之间存在一定的相关性，只有在相关性较强时，PCA的效果才会显著。
标准化处理：由于PCA对变量的尺度敏感，确保在进行分析前对数据进行标准化处理，使得每个变量的均值为0，标准差为1。
解释主成分：在只有三个变量的情况下，通常只有一个或两个主成分能解释大部分变异，因此解释主成分的意义需要结合领域知识，以便更好地理解数据的结构。
可视化结果：使用得分图和双标图等可视化工具，帮助更直观地理解分析结果，确保数据分析的结果易于解释和展示。
总之，即使只有三个变量，PCA依然可以提供有价值的见解，但在应用时需谨慎考虑上述注意事项，以确保分析结果的可靠性和有效性。
接下来，我们将一步步深入PCA的实际操作，帮助你全面理解并应用这一技术。
步骤一：检查相关性
PCA的核心在于发现数据中的主要变异方向，而这些方向往往与变量之间的相关性密切相关。因此，第一步是检查变量之间的相关性，判断是否适合进行PCA分析。
# 加载必要的库
library(ggplot2)
library(GGally)
library(corrplot)
# 使用内置的iris数据集
data(iris)
# 选择前三个数值变量
iris_pca_data <- iris[, 1:3]
# 计算相关性矩阵
cor_matrix <- cor(iris_pca_data)
# 打印相关性矩阵
print(cor_matrix)
## Sepal.Length Sepal.Width Petal.Length
## Sepal.Length 1.0000000 -0.1175698 0.8717538
## Sepal.Width -0.1175698 1.0000000 -0.4284401
## Petal.Length 0.8717538 -0.4284401 1.0000000
# 可视化相关性矩阵
corrplot(cor_matrix, method = "color", addCoef.col = "black",
tl.col = "black", tl.srt = 45, title = "相关性矩阵",
mar = c(0,0,1,0))
从相关性矩阵中，我们可以观察到变量之间是否存在较强的相关性，这将决定是否适合进行PCA分析。
步骤二：标准化数据
PCA对变量的尺度敏感，因此在进行PCA之前，需要对数据进行标准化处理，确保每个变量在相同的尺度上进行分析。
# 标准化数据
iris_scaled <- scale(iris_pca_data)
# 检查标准化后的数据
head(iris_scaled)
## Sepal.Length Sepal.Width Petal.Length
## [1,] -0.8976739 1.01560199 -1.335752
## [2,] -1.1392005 -0.13153881 -1.335752
## [3,] -1.3807271 0.32731751 -1.392399
## [4,] -1.5014904 0.09788935 -1.279104
## [5,] -1.0184372 1.24503015 -1.335752
## [6,] -0.5353840 1.93331463 -1.165809
步骤三：选择主成分数量
确定保留多少主成分是PCA分析中的关键步骤。我们可以通过查看方差解释比例和绘制碎石图（Scree Plot）来做出决策。
# 进行PCA分析
pca_result <- prcomp(iris_scaled, center = TRUE, scale. = TRUE)
# 查看PCA结果摘要
summary(pca_result)
## Importance of components:
## PC1 PC2 PC3
## Standard deviation 1.4218 0.9526 0.26671
## Proportion of Variance 0.6738 0.3025 0.02371
## Cumulative Proportion 0.6738 0.9763 1.00000
# 提取方差比例
var_explained <- pca_result$sdev^2 / sum(pca_result$sdev^2)
# 绘制碎石图
library(ggplot2)
# 创建数据框用于绘图
scree_data <- data.frame(
Principal_Component = paste0("PC", 1:length(var_explained)),
Variance_Explained = var_explained,
Cumulative_Variance = cumsum(var_explained)
)
# 绘制碎石图
ggplot(scree_data, aes(x = Principal_Component, y = Variance_Explained)) +
geom_bar(stat = "identity", fill = "steelblue") +
geom_line(aes(y = Cumulative_Variance), group = 1, color = "red", size = 1) +
geom_point(aes(y = Cumulative_Variance), color = "red", size = 2) +
scale_y_continuous(labels = scales::percent_format()) +
labs(title = "碎石图",
y = "解释方差比例",
x = "主成分") +
theme_minimal()
从碎石图中，我们可以看到前两个主成分已经解释了大部分的方差，通常情况下，保留前两个主成分已经足够。
步骤四：解释主成分
理解每个主成分的含义，有助于我们更好地解释数据中的主要变化方向。
# 查看主成分载荷
pca_loadings <- pca_result$rotation
print(pca_loadings)
## PC1 PC2 PC3
## Sepal.Length 0.6290662 -0.43339843 -0.6453228
## Sepal.Width -0.3611443 -0.89806788 0.2510953
## Petal.Length 0.6883680 -0.07509912 0.7214636
# 可视化主成分载荷
library(reshape2)
# 转换数据格式
loadings_melt <- melt(pca_loadings)
# 绘制热图
ggplot(loadings_melt, aes(Var2, Var1, fill = value)) +
geom_tile(color = "white") +
scale_fill_gradient2(low = "blue", high = "red", mid = "white",
midpoint = 0, limit = c(min(loadings_melt$value), max(loadings_melt$value)),
name="载荷") +
theme_minimal() +
labs(title = "PCA载荷热图",
x = "主成分",
y = "变量") +
theme(axis.text.x = element_text(angle = 45, vjust = 1,
size = 12, hjust = 1))
通过热图，我们可以识别哪些变量在各主成分中起主要作用，从而理解主成分所代表的含义。
步骤五：可视化
高质量的可视化图表不仅能帮助我们更好地理解数据，还能在报告和演示中直观展示分析结果。我们将生成两种常见的PCA可视化图表：得分图和双标图（Biplot）。
5.1 得分图
得分图展示了样本在前两个主成分上的分布，常用于观察样本间的聚类和分离情况。
# 提取得分
scores <- as.data.frame(pca_result$x)
# 添加物种信息
scores$Species <- iris$Species
# 绘制得分图
ggplot(scores, aes(x = PC1, y = PC2, color = Species)) +
geom_point(size = 3, alpha = 0.8) +
labs(title = "PCA得分图",
x = "主成分1",
y = "主成分2") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5)) +
scale_color_manual(values = c("#00AFBB", "#E7B800", "#FC4E07"))
5.2 双标图（Biplot）
双标图结合了得分和载荷信息，展示了样本和变量在同一图中的关系，是理解PCA结果的强大工具。
# 绘制双标图
library(ggrepel)
# 获取载荷
loadings <- pca_result$rotation[, 1:2]
# 乘以一个常数以调整箭头长度
loadings_scaled <- loadings * max(abs(scores$PC1), abs(scores$PC2)) * 0.7
# 创建数据框
loadings_df <- as.data.frame(loadings_scaled)
loadings_df$Variable <- rownames(loadings_df)
# 绘制双标图
ggplot(scores, aes(x = PC1, y = PC2, color = Species)) +
geom_point(size = 3, alpha = 0.8) +
geom_segment(data = loadings_df, aes(x = 0, y = 0, xend = PC1, yend = PC2),
arrow = arrow(length = unit(0.3, "cm")), color = "gray50") +
geom_text_repel(data = loadings_df, aes(x = PC1, y = PC2, label = Variable),
size = 5, color = "black") +
labs(title = "PCA双标图",
x = "主成分1",
y = "主成分2") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5)) +
scale_color_manual(values = c("#00AFBB", "#E7B800", "#FC4E07"))
总结
通过今天的更新，你已经掌握了在R语言中进行PCA分析的完整流程。从检查变量相关性、标准化数据，到选择合适的主成分数量、解释主成分，再到生成高质量的可视化图表，每一步都至关重要。PCA不仅帮助你降维，还能揭示数据中的潜在结构和模式，为后续的机器学习建模和数据分析奠定坚实基础。
（请点击标题查看）
科研代码 | 机器学习
ANOVA 描述性统计分析 主成分分析PCA 判别分析 PLSDA LDA KNN
异常值 贝叶斯统计 调用数据集 模型评价之准确率 Scikit-learn 数据预处理 API
无监督机器学习 SVM 监督式机器学习 特征选择 ANN SQL 数据转换 特征选择 冗余分析 数据导入 限制性立方样条时间序列分析 数据预处理 随机森林(RF)
散点图 相关性热图 柱状图 盒须图 小提琴图 R画地图 ggplot2 雷达图 圆形柱状图
文氏图 显著性差异 条形图 R配色 热图显著性标记 箱线图 XGBoost建模 3D散点图
科研代码 | 生产力工具
Pycharm Rstudio Dataspell VScode 四大数据分析软件 Copilot R语言教材 基础统计学 R语言入门 SPSS Python编辑器全比较 大名鼎鼎的文献管理软件
科研代码 | 世间万物
Peer pressure 走出舒适区 小老板保命守则 缺的是数据科学家 卷王之王 开放获取
