[R分析] 主成分分析

进行主成分分析步骤：
1. 生成4列30个随机数；
2. 写csv文件，读csv文件；
3. 进行主成分分析。

1. 生成4列30个随机数；

runif(n, min = 0, max = 1)
runif函数生成随机数，n表示个数，min与max表示随机数的取值范围。
round函数四舍五入，默认小数位为0。

> x1<-round(runif(30,130,170))   
> x2<-round(runif(30,35,70))
> x3<-round(runif(30,60,95))
> x4<-round(runif(30,65,100))
> df<-data.frame(x1,x2,x3,x4)

2. 写csv文件，读csv文件；

write.csv写成csv文件，row.names = FALSE，表示行序号不写入文件中；
read.csv读csv文件，header = T，表示有列名。

> write.csv(df,"mydata.csv",row.names = FALSE)
> data<-read.csv("mydata.csv",header = T)

3. 进行主成分分析。

princomp为主成分分析函数，cor =T，表示用相关系数进行主成分分析。
summary表示变量的详细信息。

> student.pr<-princomp(data,cor =T)
> summary(student.pr)
> Importance of components:  
                          Comp.1    Comp.2    Comp.3    Comp.4
Standard deviation     1.2303666 1.0273342 0.9262209 0.7568999
Proportion of Variance 0.3784505 0.2638539 0.2144713 0.1432244
Cumulative Proportion  0.3784505 0.6423044 0.8567756 1.0000000
# Standard deviation标准差 
# Proportion of Variance变量贡献值
# Cumulative Proportion累积贡献值
#根据累积贡献值，选择累积贡献率大于80%的前3个主成分（本例中生成的数据为随机数）

predict得到各个主成分的数据
head函数为选择变量的前6列

> pca_data<-predict(student.pr)
> head(pca_data)
         Comp.1      Comp.2     Comp.3     Comp.4
[1,] -0.4271860 -1.18382287 0.12347562  1.8908984
[2,]  1.5849005  0.92291752 0.21817906 -0.2474528
[3,]  1.0549221 -0.90917022 0.03477916  0.1596491
[4,]  0.4990460  0.01975359 0.41885586 -0.9524047
[5,] -1.9577256  0.39384090 0.54980142  1.0408882
[6,]  0.9132287 -1.93470830 0.46627579  0.1070934