主成分分析(PCA)基本原理及分析实例

之前我们介绍了使用ggplot2作PCA图的方法，本期讲PCA基本原理及分析实例。

主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。例如，使用PCA可将30个相关（很可能冗余）的环境变量转化为5个无关的成分变量，并且尽可能地保留原始数据集的信息。

PCA分析的一般步骤如下：

1. 数据预处理。PCA根据变量间的相关性来推导结果。用户可以输入原始数据矩阵或者相关洗漱矩阵到R的principal()和fa()函数中进行计算，在计算前请确保数据中没有缺失值。

2. 判断要选择的主成分数目（这里不涉及因子分析）。

3. 选择主成分（这里不涉及旋转）。

4. 解释结果。

5. 计算主成分得分。

  PCA的目标是用一组较少的不相关变量代替大量相关变量，同时尽可能保留初始变量的信息，这些推导所得的变量称为主成分，它们是观测变量的线性组合。如第一主成分为：

  它是k个观测变量的加权组合，对初始变量集的方差解释性最大。第二主成分也是初始变量的线性组合，对方差的解释性排第二，同时与第一主成分正交（不相关）。后面每一个主成分都最大化它对方差的解释程度，同时与之前所有的主成分都正交.我们都希望能用较少的主成分来解释全部变量。

数据集USJudgeRatings包含了律师对美国高等法院法官的评分。数据框包含43个样本，12个变量：

那么问题来了：是否能够用较少的变量来总结这12个变量评估的信息呢？如果可以，需要多少个？如何对它们进行定义呢？

首先判断主成分的数目，这里使用Cattell碎石检验，表示了特征值与主成数目的关系。一般的原则是：要保留的主成分的个数的特征值要大于1且大于平行分析的特征值。
我们直接作图：

library(psych)
fa.parallel(USJudgeRatings,fa="pc",n.iter = 100,show.legend = T,main="Cattell碎石检验",ylabel="特征值")
abline(1,0)

可以看出只有左上交Component Number为1的特征值是大于1且大于平行分析的特征值的。所以选择一个主成分即可保留数据集的大部分信息。下一步是使用principal()函数挑选出相应的主成分。

PC11,score=T)
PC1

  可以看出第一主成分（PC1）基本与每个变量都高度相关（除了CONT），也就是说，它是一个可用来进行一般性评价的维度。

  h2栏指成分公因子方差——主成分对每个变量的方差解释度。u2栏指成分唯一性——方差无法被主成分解释的比例（1-h2）。

  SS loadings行包含了与主成分相关联的特征值，指的是与特定主成分相关联的标准化后的方差值（本例中，第一主成分的值为10）。最后，Proportion Var行表示的是每个主成分对整个数据集的解释程度。此处可以看到，第一主成分解释了12个变量84%的程度。

获取主成分得分：

PC1$scores

由于变量CONT与PC1的相关性太低，即PC1无法代表CONT，所以我们增加一个主成分PC2来代表CONT，结合上期的推送，作图如下：

rm(list=ls())
library(ggplot2)
##以R语言自带的一个数据为例USArrests
pca T,rank=2,retx=T)
#取PC1和PC2的比例
xlab "PC1","(",round((summary(pca))$importance[2,1]*100,1),"%)",sep="")
ylab "PC2","(",round((summary(pca))$importance[2,2]*100,1),"%)",sep="")
x"PC1"
y"PC2"
data_x #为方便取用数据，将pca结果放在一个数据库里面
plot_1 3)+coord_equal(ratio=1)+xlab(xlab)+ylab(ylab) # 这里先画出点，coord_equal(ratio=1) 将X轴和y轴比例设置为一样的
data_rotation #获取箭头缩放比例
mult #设置箭头坐标
data_2 #添加箭头
plot_10,y=0,xend=v1,yend=v2),arrow=arrow(length=unit(0.2,"cm")),alpha=0.75) 
#添加箭头名称
plot_13,nudge_x=-0.05,nudge_y=-0.01)  
#对图形结果进行修饰
plot_1 "stage type"))+theme_bw()+theme(plot.background=element_blank(),panel.background=element_blank(),panel.grid.minor=element_blank(),panel.grid.major=element_blank(),axis.title=element_text(color="black",size=15),axis.text=element_text(size=15))+guides(color=F)
plot_1

可以看出，PC1(84.4%)和PC2(9.2%)共可以解释这12个变量的93.6的程度，除了CONT外的其他的11个变量与PC1都有较好的相关性，所以PC1与这11个变量基本斜交，而CONT不能被PC1表示，所以基本与PC1正交垂直，而PC2与CONT基本平行，表示其基本可以表示CONT。

更多原创精彩视频敬请关注生信杂谈: