主成分分析(PCA)
简介
主成分分析(Principal components analysis,PCA)利用正交变换对一系列可能相关的变量的观测值进行线性变换,从而投影为一系列线性不相关变量的值,这些不相关变量称为主成分(Principal Components)。PCA是最简单的以特征量分析多元统计分布的方法。通常情况下,这种运算可以被看作是揭露数据的内部结构,从而更好的解释数据的变量的方法。
数据说明
1)若行为样品,列为特征(例如基因):第一列为样品名,第二列为组名(不能为纯数字),第3及以后列为特征。图中坐标轴Dim1和Dim2为第一、第二主成分(即潜在变量对差异的解释率);点代表样品(individuals),不同颜色表示不同分组。调用:FactoMineR包。
2)若行为特征(例如基因),列为样品:第一行为样品名,第二行为组名(不能为纯数字),第3及以后行为特征。
该包默认对数据进行scale转化。
论文例子
[Nature communications] Sympathetic axonal sprouting induces changes in macrophage populations and protects against pancreatic cancer. Fig4h
1)如何作图?
1,准备作图数据;2,用excel打开数据,调整为示例格式;3,将调整后的数据粘贴到输入框;4,选择参数;5,提交出图
2)为什么不出图?
程序对输入格式有严格要求。请务必仔细查看右侧说明及示例数据
3)如何引用?
1300+篇google学术,~1000篇知网学术引用
请使用原生R包,Python包进行引用,或使用如下格式(推荐直接写网址)
Heatmap was plotted by https://www.bioinformatics.com.cn (last accessed on 5 Jun 2023), an online platform for data analysis and visualization.
4)交流群/公众号