一边学习，一边总结，一边分享！
由于微信改版，一直有同学反映。存在长时间接收不到公众号的推文。那么请跟随以下步骤，将小杜的生信筆記设置为星标，不错过每一条推文教程。
欢迎关注《小杜的生信笔记》！！
如何加入社群
小杜的生信笔记，仅有微信社群。
1. 微信群：付费社群。添加小杜好友，加友请知：加友须知！！，加入社群请查看小杜生笔记付费加友入群声明。
2. 小杜个人微信：若你有好的教程或想法，可添加小杜个人微信。值得注意的是，小杜个人微信并不支持免费咨询长时间咨询，但支持小问题2-3个免费咨询。
小杜微信：
知识星球：
本期教程
2022年教程总汇
2023年教程总汇
引言
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
PCA分析教程，可以看主成分（PCA）分析，这里介绍详细步骤。
本期教程，我们介绍使用ggplot2绘制PCA图（PS：主要基于前期的教程进行代码优化）。大家也可以直接使用PCA结果进行绘图。
Code
导入所需R包
library(factoextra)
library(psych)
library(reshape2)
library(ggplot2)
导入PCA结果（亦或是基于前面的分析）
pca
绘图
#'@提取PCA1和PCA2
pca1 <- round(summary(pca)$importance[2, 1] * 100, 1)
pca1
pca2 <- round(summary(pca)$importance[2, 2] * 100, 1)
pca2
# 根据分组上色并绘制95%置信区间
p1 <- fviz_pca_ind(pca, col.ind=factor(data_t$conditions, levels = c("MG", "BR", "PK", "LR", "RR")),
mean.point=F, addEllipses = T,
legend.title= "", ellipse.type="confidence", ellipse.level=0.95,
title="PCA of SG", label = "none")+## label="none"在文中没有名称
xlab(paste0("PC1 (", pca1, "%)"))+
ylab(paste0("PC2 (", pca2, "%)"))+
theme(
#text = element_text(family = "Time New Roman"),
## 修改图形的字体
axis.text.x = element_text(size = 8),
axis.text.y = element_text(size = 8),
axis.title.x = element_text(size = 10),
axis.title.y = element_text(size = 10),
##'@右边图例标签的修改
#legend.title = element_text(size = 12, face = "bold"),
legend.text = element_text(size = 8),
legend.position = "right"
)
本期教程优化了自动计算图形中的PCA的数值，以及自动加入到图形中。
PCA分析方法很多，找到适合自己的一种即可。
若我们的教程对你有所帮助，请点赞+收藏+转发，大家的支持是我们更新的动力！！
本期教程，我们已上传云盘，社群同学可直接访问。
往期部分文章
1. 最全WGCNA教程（替换数据即可出全部结果与图形）
推荐大家购买最新的教程，若是已经购买以前WGNCA教程的同学，可以在对应教程留言，即可获得最新的教程。（注：此教程也仅基于自己理解，不仅局限于此，难免有不恰当地方，请结合自己需求，进行改动。）
2. 精美图形绘制教程
3. 转录组分析教程
4. 转录组下游分析
小杜的生信筆記 ，主要发表或收录生物信息学教程，以及基于R分析和可视化（包括数据分析，图形绘制等）；分享感兴趣的文献和学习资料!!
