PCA主成分分析教程（origin分析&绘制，无须R语言）

最新推荐文章于 2025-03-24 16:40:40 发布
最新推荐文章于 2025-03-24 16:40:40 发布
阅读量2.6w 收藏 84
点赞数 22
分类专栏： 环境微生物 SCI论文插图 宏基因组 文章标签： r语言 聚类 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yangqijia1/article/details/125116447
版权
本文提供了一步步的PCA主成分分析教程，以Origin软件为平台，利用微生物family级别丰度数据进行示例。通过安装并使用PrincipalComponentsAnalysis插件，展示了如何进行相关设置，包括选择相关性矩阵和设定主成分数量。最终，教程指导读者如何通过Origin生成PCA图，用于揭示不同样本组间的差异性。虽然后期修正部分未作演示，但强调Origin的易用性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

PCA主成分分析教程（origin分析&绘制，无须R语言）

相关性分析，相关的介绍内容大家自行搜索资料即可，这里不给大家过多阐述。

案例解读

PCA作为常见的一种聚类分析方法，在很多SCI论文中均有出现，如下：

这里也不给大家解读了，总而言之就是为了说明蓝色组、红色组和蓝色组三组之间的差异性。

绘制教程

导入数据

这里给大家使用一组微生物在family级别的丰度数据做为示例数据，具体如下图。XB、XS、ZB、ZS分别表示不同地点的样本，其余则为注释到的微生物名称以及丰度数据。

XB1、XB2和XB3表示三个平行样，由于origin中app有严格的使用规则，这里大家仿照这样放置数据即可，第一列数据是为了方便对不同的样本进行分类标识。

安装Principal Components Analysis插件

插件已经上传博主主页资源，安装方案参考https://blog.csdn.net/yangqijia1/article/details/120738528?spm=1001.2014.3001.5502

使用插件进行分析

1、点击Principal Components Analysis APP

在这里插入图片描述

2、进行相关设置

上面这张图中没有给大家进行数据的选择了，大家自行选择即可。

在这里插入图片描述
这里一般选择相关性矩阵，展示的主成分组数为3个以上。
在这里插入图片描述
在这里插入图片描述
到这里就设置完成咯，点击ok即可出图。

出图结果

在这里插入图片描述
在这里插入图片描述

后期修正

后期修正就不演示了，origin的原则就是哪里不会点哪里。完结！撒花！

origin做主成分分析图_主成分分析（PCA）
weixin_39922683的博客
12-23 3987
import numpy as npfrom mpl_toolkits.mplot3d import Axes3Dimport matplotlib.pyplot as pltfrom numpy import *x = random.normal(5,.5,1000)y = random.normal(3,1,1000)z=random.normal(0,1,1000)a = x*cos(pi/...
origin做主成分分析图_Origin如何进行主成分分析
热门推荐
weixin_40007541的博客
01-28 2万+
介绍主成分分析(principal components analysis, PCA)也称主分量分析，由霍特林(Hotelling)于1933年首先提出。主成分分析是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法，以此来实现降维的目的。通常把转化后的综合指标称之为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，这就使得主成分比原始变量具有某...
originpro主成分分析app
06-03
originpro主成分分析app，一键安装，安装教程见https://blog.csdn.net/yangqijia1/article/details/120738528?spm=1001.2014.3001.5502
主成分分析（Principal components analysis）-最大方差解释
redstar649的专栏
09-07 1772
本文转自 http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html 在这一篇之前的内容是《Factor Analysis》，由于非常理论，打算学完整个课程后再写。在写这篇之前，我阅读了PCA、SVD和L
主成分分析（PCA）详解：从原理到应用与可视化
最新发布
qq_59349063的博客
03-24 1516
PCA，全称，中文称为，是一种常用的技术。它的主要目的是通过线性变换，将原始数据转换到一个新的坐标系中，，从而实现数据降维、去噪或可视化。
R语言PCA主成分分析
02-27
R语言PCA主成分分析
PCA主成分分析.rar_PCA主成分分析_PCA数据降维_pca_主成分分析pca_降维
09-21
本程序为主成分分析PCA方法实现数据的降维
origin图上显示数据标签_Origin做PCA图(文字版)
weixin_39986171的博客
12-22 6752
即使生在田间地头，只要你努力生长，终会被人发现，继而被世人所欣赏！——许栋介绍主成分分析(principal components analysis, PCA)也称主分量分析，由霍特林(Hotelling)于1933年首先提出。主成分分析是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法，以此来实现降维的目的。通常把转化后的综合指标称之为主成分，其中每个主成分都是原...
数据分析学习记录（三）--主成分分析及在origin中的实现
qq_22658373的博客
07-10 1万+
主成分分析是一种数据分析的方法，尤其应用在光谱降维领域，降维是一种对高纬度特征数据的处理方法，对于存在相当大信息量的光谱数据来说，除了使用更直观的方式观察数据特征之外，降维是提升其数据处理速度和效率的一个十分有效的手段 。降维将高维数据保留下一些重要特征，去除噪声和不重要的特征，在一定的信息损失范围内，可以节约大量的时间和成本，因此降维也成为应用非常广泛的数据预处理方法。数据降维有几大特点，1）降维使得数据更易使用；2）降低算法开销；3）存在一定的信息损失。用于光谱降维的算法最常用的包括主成分分析（PCA）
谁说Mac系统下不能搞科研？MacOS科研软件汇总
leroylee7的博客
10-21 1983
各位用 MacBook 的科研狗是否跟我一样，深爱 Mac OS 系统的人性化和轻量，但不得不屈膝在 OriginLab 这些科研必备软件不兼容的恶势力下，轻则装虚拟机、双系统，重则买了 MacBook 还是得刷回 Windows 系统，听着轰隆隆的运行声音，摸着发热严重的机身，心里无限悲凉。 但其实现在Mac OS上的科研软件数量也是越来越多了哦，今天就跟着我来一起盘点一下吧！ 文章剩余内容<<<< ...
origin做主成分分析图_SPSS几种常用的分析方法
weixin_35738080的博客
12-30 5583
一、 主成分分析1.导入数据后，先将数据标准化，消除单位的影响。图1-1 标准化后的数据见图1-2图1-2 标准化数据 2、做主成分分析 操作步骤见图2-1、图2-2图2-1因子分析图2-2 3、提取结果，根据特征值大于1提取出了三个主成分。图3-1特征值图3-2成分矩阵 根据成分矩阵可以写出主成分的表达式 4、根据主成分排序图4-1 排名前10图4-2排名后1...
主成分分析
12-17
主成分分析的经典著作，由Svante Wold和Kim.H.Esbensen完成
spss主成分分析插件2018版
04-19
spss主成分分析插件，可以直接得到结果，不用一步一步算了
Origin相关性分析
weixin_71625923的博客
06-16 2281
三、搜索Correlation Plot。二、右侧APPs——添加Apps。五、调试输出图片的样式。一、打开origin。
Origin绘制PCA的置信椭圆图
weixin_46897467的博客
02-24 4966
在一维的点估计问题上，在总体XXX的分布函数已知，但有一个或多个参数未知的情况下，可以借助于总体XXX的一个样本来估计总体未知参数的值。在求出未知参数的点估计值θθ外，我们还希望得到它的一个估计范围以及这个估计范围中包含参数θ{\theta}θ真值的可信程度，用区间的形式去表示这个估计范围称为置信区间，这种可信程度的概率为置信水平，这种形式的估计称为区间估计。以上是一维情况置信区间的表示，可以描述为某一个值落在某个区间的概率，这个区间在几何上可以表示为一个线段。
R计算两列数据的相关系数_第七讲 R-相关性分析及做图
weixin_39939303的博客
11-21 3001
相关性分析用于评估两个或多个变量之间的关联。例如，如果我们想知道父亲和儿子的身高之间是否存在关系，可以计算相关系数来回答这个问题。如果两个变量（父亲和儿子的身高）之间没有关系，则儿子的平均身高应该相同，而与父亲的身高无关，反之亦然。注意，仅当数据呈正态分布时，才可以使用相关性分析。可以使用Shapiro-Wilk test进行检查。请参看第六讲小编将描述几种相关性分析的方法，并提供示例。1. 相关...
（简单易懂）PCA：Principal Component Analysis 主成分分析
qq_39214409的博客
05-18 2254
Principal Component Analysis（PCA）是一种数据降维方式，可以将n维数据降低到指定的k维。此时延伸出一个问题，为什么数据要进行降维操作。如 Figure 1 在我们常用的二维坐标系中，我们可以很容易的观察出二维数据的分布规律，从而判断出数据的特性。假设在此数据的基础上，加上z轴，每个数据点在z平面上的抖动非常小，则数据点在z轴的变化对于数据整体的特性影响很小。我们足以在x、y轴上观察到数据的主要规律，那么数据在z轴上的维度可以选择忽略。
R绘图笔记 | 火山图的绘制
BioInfoNotes
11-16 6099
参考前文：R绘图笔记 | R语言绘图系统与常见绘图函数及参数关于绘图，前面介绍了一些：R绘图笔记 | 一般的散点图绘制R绘图笔记 | 柱状图绘制R绘图笔记 | 直方图和核密度估计图的绘制...
origin做主成分分析图_Graphpad Prism也可以做主成分分析（PCA）？
weixin_31140599的博客
01-14 4565
如果完全不想碰R语言，其实可使用Prism自带的范例数据，方法如下。参数设置打开软件后，通过双击窗口灰色区域或点Prism(棱镜)的小三角，新建工程文件，在弹出的向导页面表格类型选Multiple variables(只能选这一项)，Data table选enter or import data into a new table，然后点Create按钮，如下图。接下来将数据从Excel复制粘贴到表...
origin中主成分分析插件app
09-18
Origin是一款功能强大的数据分析和图形绘制软件，它提供了许多插件来帮助用户更好地进行数据分析和可视化。其中之一的主成分分析插件（PCA app）可以帮助用户进行主成分分析，并提供了方便的功能和工具。 主成分分析是一种常用的统计分析方法，用于降维和变量选择。它通过线性变换将原始数据集转换为一组新的变量，这些新变量是原始变量的线性组合，且彼此间无相关性。通过主成分分析，我们可以去除数据中的冗余信息，提取重要的特征，并让数据更易于解释。 在Origin的PCA app中，用户可以轻松地导入数据集，并选择需要进行主成分分析的变量。该插件会自动进行数据标准化，以确保每个变量在相同的尺度上进行比较。用户还可以选择保留的主成分数量，并查看结果的变量贡献度、解释方差等信息。 此外，PCA app还提供了可视化工具，用于展示主成分分析的结果。用户可以查看得分图，以了解每个样本在不同主成分上的投影，帮助识别和比较不同样本之间的差异。用户还可以绘制负荷图，以显示原始变量与主成分之间的关系，帮助解释变量之间的相似性和差异性。 总的来说，Origin中的PCA app为用户提供了一种简便且强大的方法来进行主成分分析。它不仅能够帮助用户有效地处理和分析数据，还可以通过可视化工具提供直观的结果展示，使用户能够更好地理解数据的特征和特点。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

杨杨杨杨杨齐家

孩子想喝冰红茶/(ㄒoㄒ)/~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值