如何导入和使用相关矩阵作为R中PCA和PCF中的唯一数据源

Question

我是R新手，正在研究*导入和使用相关矩阵作为R中PCA和PCF唯一数据源的问题

我已经提到了堆栈溢出答案库甚至书籍，我找不到任何提示，它使R像只能处理变量数据文件一样，而在SAS中，您只需输入相关矩阵即可轻松获得PCA和PCF结果。 希望我错了。

我试图查看堆栈溢出答案库，它们主要是关于如何计算cor矩阵或特征值分解的。

以下是我的尝试：

setwd（ “d：/ BlueHDD / MAQAB / RStudio / R / PCA /智能”）

mydata <-read.csv（“ Intelligence.csv”，na.strings =“。”）

头（MYDATA）

  X     M     P     C     E     H     F
1 M 1.000 0.620 0.540 0.320 0.284 0.370
2 P 0.620 1.000 0.510 0.380 0.351 0.430
3 C 0.540 0.510 1.000 0.360 0.336 0.405
4 E 0.320 0.380 0.360 1.000 0.686 0.730
5 H 0.284 0.351 0.336 0.686 1.000 0.735
6 F 0.370 0.430 0.405 0.730 0.735 1.000

ii <-as.matrix（mydata [，2：7]）

行名（ii）<-c（“ M”，“ P”，“ C”，“ E”，“ H”，“ F”）

姓氏（ii）<-c（“ M”，“ P”，“ C”，“ E”，“ H”，“ F”）

头（ⅱ）

      M     P     C     E     H     F
M 1.000 0.620 0.540 0.320 0.284 0.370
P 0.620 1.000 0.510 0.380 0.351 0.430
C 0.540 0.510 1.000 0.360 0.336 0.405
E 0.320 0.380 0.360 1.000 0.686 0.730
H 0.284 0.351 0.336 0.686 1.000 0.735
F 0.370 0.430 0.405 0.730 0.735 1.000

myPCA <-特征（ii）

头（myPCA）

$值

[1] 3.3670861 1.1941791 0.5070061 0.3718472 0.3131559 0.2467257

$矢量

           [,1]       [,2]         [,3]        [,4]         [,5]        [,6]
[1,] -0.3677678 -0.5098401  0.266985551  0.72768020  0.047584025 -0.04178482
[2,] -0.3913477 -0.4092063  0.485916591 -0.66464527 -0.005392018 -0.03872816
[3,] -0.3719504 -0.3825819 -0.831626240 -0.15204371 -0.003331423 -0.02352388
[4,] -0.4321872  0.3748248  0.021531885  0.06531777 -0.742970281 -0.34056682
[5,] -0.4219572  0.4214599  0.002730054  0.01174474  0.665109730 -0.44922966
[6,] -0.4565228  0.3288196  0.023032686  0.03473540  0.057617669  0.82365511

myPCA $值

[1] 3.3670861 1.1941791 0.5070061 0.3718472 0.3131559 0.2467257

myPCA $矢量

           [,1]       [,2]         [,3]        [,4]         [,5]        [,6]
[1,] -0.3677678 -0.5098401  0.266985551  0.72768020  0.047584025 -0.04178482
[2,] -0.3913477 -0.4092063  0.485916591 -0.66464527 -0.005392018 -0.03872816
[3,] -0.3719504 -0.3825819 -0.831626240 -0.15204371 -0.003331423 -0.02352388
[4,] -0.4321872  0.3748248  0.021531885  0.06531777 -0.742970281 -0.34056682
[5,] -0.4219572  0.4214599  0.002730054  0.01174474  0.665109730 -0.44922966
[6,] -0.4565228  0.3288196  0.023032686  0.03473540  0.057617669  0.82365511

向量中的问题是，所有的“ +”和“-”都相反！

---

另外，从这里，我不知道如何获取加载矩阵。 我尝试了以下操作，但失败了：

fit <- princomp(ii)

summary(fit) # print variance accounted for 

loadings(fit) # pc loadings 

plot(fit,type="lines") # scree plot 

fit$scores # the principal components

biplot(fit)

Answer 1

您可以使用princomp函数在R中执行PCA。 该文档说，如果提供参数covmat ，它将从协方差矩阵中计算出主成分。 但是，也可以将此参数与相关矩阵一起使用。

这是使用虹膜数据的简单示例。

## principal components from the original data
princomp(iris[,1:4], cor=T)
Standard deviations:
   Comp.1    Comp.2    Comp.3    Comp.4 
1.7083611 0.9560494 0.3830886 0.1439265

现在假设您只有一个相关矩阵

## from correlation matrix
CM = cor(iris[,1:4])
myPCA = princomp(covmat=CM)
myPCA
Standard deviations:
   Comp.1    Comp.2    Comp.3    Comp.4 
1.7083611 0.9560494 0.3830886 0.1439265 

无论哪种方式，您都会得到相同的答案。 如果需要加载，则将它们存储在myPCA结构中。

myPCA$loadings

Loadings:
             Comp.1 Comp.2 Comp.3 Comp.4
Sepal.Length  0.521  0.377  0.720  0.261
Sepal.Width  -0.269  0.923 -0.244 -0.124
Petal.Length  0.580        -0.142 -0.801
Petal.Width   0.565        -0.634  0.524

               Comp.1 Comp.2 Comp.3 Comp.4
SS loadings      1.00   1.00   1.00   1.00
Proportion Var   0.25   0.25   0.25   0.25
Cumulative Var   0.25   0.50   0.75   1.00