《R语言实战》学习笔记
principal() #含多种可选的方差旋转方法的主成分分析
fa.parallel() #含平行分析的碎石图
格式：principal(data,nfactors=,rotate=,scores=)
调用principal函数主要设置输入参数data和主成分数nfactors。
说明：data相关系数矩阵或原始数据矩阵；
nfactors设定主成分数（默认为1）；
rotate指定旋转的方法（默认为最大方差旋转varimax）；
scores设定是否需要计算主成分得分（默认不需要）。
代码如下：
install.packages("psych")#安装psych包
library(psych) #调用psych函数包
data(USJudgeRatings) #调用数据
fa.parallel(USJudgeRatings[,-1], fa="pc",n.iter=100, show.legend=FALSE, main="Scree plot with parallelanalysis") #含平行分析的碎石图
pc<-principal(USJudgeRatings[,-1],nfactors=1,rotate="none")#提取主成分
pc#输出未旋转的主成分
rc <- principal(USJudgeRatings[,-1],nfactors=1,rotate="varimax")#方差极大旋转的主成分，去噪
rc#输出旋转的主成分
rc <- principal(USJudgeRatings[,-1],nfactors=1,rotate="varimax",score=TRUE) #获取主成分得分
head(rc$scores) #输出主成分得分
round(unclass(rc$weights),2) #输出主成分得分系数
《统计建模与R软件》学习笔记：
测试数据：
X1=c(148, 139, 160, 149, 159, 142, 153, 150, 151, 139,
140, 161, 158, 140, 137, 152, 149, 145, 160, 156,
151, 147, 157, 147, 157, 151, 144, 141, 139, 148),
X2=c(41, 34, 49, 36, 45, 31, 43, 43, 42, 31,
29, 47, 49, 33, 31, 35, 47, 35, 47, 44,
42, 38, 39, 30, 48, 36, 36, 30, 32, 38),
X3=c(72, 71, 77, 67, 80, 66, 76, 77, 77, 68,
64, 78, 78, 67, 66, 73, 82, 70, 74, 78,
73, 73, 68, 65, 80, 74, 68, 67, 68, 70),
X4=c(78, 76, 86, 79, 86, 76, 83, 79, 80, 74,
74, 84, 83, 77, 73, 79, 79, 77, 87, 85,
82, 78, 80, 75, 88, 80, 76, 76, 73, 78)
代码如下：
####主成分分析
#读取数据
PCAdata<-read.csv("D:/ test.csv")
#作主成分分析
PCAdata.pr<-princomp(PCAdata,cor=TRUE)
#显示分析结果
summary(PCAdata.pr,loadings=TRUE)
#作预测
predict(PCAdata.pr)
#画出主成分的碎石图
screeplot(PCAdata.pr,type="lines")
#画散点图
biplot(PCAdata.pr,choices=1:2,scale=1,pc.biplot=FALSE)
_______________________________________________________________________________
princomp函数
格式：
princomp(x,cor=FALSE,scores=TRUE,covmat=NULL,subset=rep(TRUE,nrow(as.matrix(x))),…)
说明：
x是用于主成分分析的数据；cor是逻辑变量，当cor=TRUE表示用样本的相关矩阵R作主成分分析，当cor=FALSE（默认值）表示用样本的协方差S作为主成分分析；covmat是协方差阵，如果数据不用x提供，可由协方差提供。
summary函数
格式：summary(object,loadings=FALSE,cutoff=0.1,…)
说明：object是由princomp()得到的对象；loadings是逻辑变量，当loadings=TRUE表示显示loadings的内容，当loadings=FALSE则不显示。
loadings函数
格式：loadings(x)
说明：x是函数princomp()得到的对象。
predict函数
格式：predict(object,newdata,…)
说明：object是由princomp()得到的对象；newdata是由预测值构成的数据框，当newdata为默认值时，预测已有数据的主成分值。
screeplot函数
格式：screeplot(x,npcs=min(10,length(x$sdev)),
type=c(“barplot”,”lines”),
main=deparse(substitute(x)), …)
说明：x是princomp()得到的对象；npcs是画出的主成分个数；type是描述画出的碎石图的类型，其中“barplot”是直方图类型，“lines”是直线图类型。
biplot函数
格式：biplot(x,choices=1:2,scale=1,pc.biplot=FALSE,…)
说明：x是princomp()得到的对象；choices是选择的主成分，默认值是第1、第2主成分；pc.biplot是逻辑变量（默认值为FALSE，当pc.biplot=TRUE，用Gabriel提出方法画图）
_______________________________________________________________________________
老师修改：
#读取数据
PCAdata<- read.csv("F:/工作/国电/test.csv")
#作主成分分析
PCAdata.pr<-princomp(PCAdata, cor=T)
#显示分析结果
summary(PCAdata.pr,loadings=T)
#画出主成分的碎石图
screeplot(PCAdata.pr,type="lines")
##输出原始数据的均值和标准差
disdata=rbind(PCAdata.pr$center,PCAdata.pr$scale)
rownames(disdata)=c("center","scale")
##输出主成分得分
scoresdata=PCAdata.pr$scores
