R语言中的PCA分析函数

R语言常用PCA分析函数有prcomp与princomp, 二者主要是计算方法的差别，建议采用prcomp(SVD方法)

prcomp函数

prcomp函数使用较为简单，但是不同于常规的求取特征值和特征向量的方法，prcomp函数是对变量矩阵采用SVD方法计算其奇异值（原理上是特征值的平方根），函数帮助中描述为函数结果中的sdev。
prcomp函数输入参数为变量矩阵（x）,中心化（center,默认为true），标准化（scale，默认为false，建议改为true），主成份个数（rank）。
promp函数输出有sdev(各主成份的奇异值及其方差累积)，rotation（载荷矩阵），x（得分矩阵），center(变量的均值),scale（变量的标准偏差）

princomp函数

princomp以计算相关矩阵或者协方差矩阵的特征值为主要手段。
princomp函数输出有主成份的sd,loading,score,center,scale.

##代码实例

data(wine) #三种葡萄酿造的红酒品质分析数据集
wine.pca<-prcomp(wine,scale=T)
summary(wine.pca) #各主成份的SVD值以及相对方差
wine.pca$rotation #loading
wine.pca$x #score
screenplot(wine.pca) #方差分布图
biplot(wine.pca,scale=F) #碎石图,直接把x与rotation绘图，而不标准化

ggbiplot

library(ggbiplot)
ggbiplot(wine.pca,scale=1, groups = wine.class,
         ellipse = TRUE,ellipse.prob=0.5, circle = F,var.axes=F) +
  scale_color_discrete(name = '') +
  theme(legend.direction = 'horizontal', legend.position = 'top')