在多元统计分析中，主成分分析（英语：Principal components analysis，PCA）是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。
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。如果一个多元数据集能够在一个高维数据空间坐标系中被显现出来，那么PCA就能够提供一幅比较低维度的图像，这幅图像即为在讯息最多的点上原对象的一个‘投影’。这样就可以利用少量的主成分使得数据的维度降低了。我们可以通过PCA找出离群样品、判别相似性高的样品簇等。
在线PCA分析工具：http://qplot.cn/apps/016-princomp
居于R语言prcomp计算值 ggpot2可视化。
image.png
使用说明
1.导入数据
从excel复制粘贴到输入数据框（列为样本），也可以提供样本的分组信息（行为样本，列为分组名）。右侧可以看到默认分析结果
数据导入.png
2.参数设置
显示loading，分组样本加上圈，字体大小设置。
image.png
3.样式设置
修改样式，配色，及其他细节。下载矢量图。
样式设置
4.分析结果 可视化
每个轴的解释度。
参考：
https://zh.wikipedia.org/wiki/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90
