数据标准化：确保不同量纲的数据具有可比性。 解释方差：关注主成分解释的方差比例，以确定选取的主成分数量。 可视化：通过散点图、双图（biplot）等形式直观展示主成分和变量的关系。 结果解释：结合研究背景，对主成分的含义进行详细解释。
FactoMineR和factoextra包进行PCA的计算和绘图。我们将对绘图部分进行详细定制，包括字体、配色、标题加粗、标题居中、图例标题加粗、图例字体个性化设置，确保图形大小适合SCI论文的发表要求。步骤1：安装和加载必要的R包
## install.packages("FactoMineR")
## install.packages("factoextra")
library(FactoMineR)
library(factoextra)步骤2：进行PCA计算
# 以内置数据集iris为例
data(iris)
# 移除分类变量，只保留数值变量进行PCA
iris_data <- iris[, -5]
# 进行PCA计算
pca_result <- PCA(iris_data, graph = FALSE)步骤3：PCA绘图
# 自定义绘图
p1 <- fviz_pca_biplot(pca_result,
geom.ind = "point", # 点状图
col.ind = iris$Species, # 用物种区分颜色
palette = c("#00AFBB", "#E7B800", "#FC4E07"), # 自定义配色
addEllipses = TRUE, # 添加椭圆
label = "var", # 变量标签
col.var = "black", # 变量颜色
repel = TRUE, # 避免标签重叠
title = "PCA Biplot of Iris Dataset",
title.size = 15, # 标题字体大小
title.face = "bold", # 标题加粗
title.hjust = 0.5 # 标题居中
) +
theme(plot.title = element_text(hjust = 0.5, size = 15, face = "bold"),
legend.title = element_text(size = 12, face = "bold"), # 图例标题加粗
legend.text = element_text(size = 10, face = "italic") # 图例字体个性化设置
)
p1步骤4：调整图形大小以适合SCI论文
在R中生成图形时，可以使用ggsave函数来设置图形的尺寸，使其适合SCI的大小和分表率的要求。
# 保存图形
ggsave("PCA_Biplot_Iris.png", p1, width = 8.27, height = 11.69, units = "in", dpi = 300)这段代码展示了如何使用FactoMineR和factoextra包进行PCA分析，并对绘图进行详细定制。生成的PCA图形不仅具有良好的视觉效果，还可以直接用于科研论文的展示，相信可以帮助到对PCA出图有需要的小伙伴！
另外：谁有更好的颜色code，欢迎评论区留言！
感谢关注，你的支持是我不懈的动力！
