我正在尝试找到一种方法，使 R 中的 3D PCA 可视化更便携；
我已经使用prcomp() 在 2D 矩阵上运行 PCA。
princomp() 和 prcomp() 的实际区别是什么？谢谢！
【问题讨论】：
下面是一个例子：
pc <- prcomp(~ . - Species, data = iris, scale = TRUE)
轴分数是从组件x中提取的；因此，您可以使用以下方式将（您没有说要如何导出）作为 CSV 写出：
write.csv(pc$x[, 1:3], "my_pc_scores.csv")
如果您想为这些分数分配信息（颜色和标签，它们与 PCA 无关，而是您自己分配的东西），请将它们添加到分数矩阵中，然后导出。在上面的示例中，有 3 个物种，每个物种有 50 个观测值。如果我们希望将这些信息与分数一起导出，那么这样的方法就可以了
scrs <- data.frame(pc$x[, 1:3], Species = iris$Species,
Colour = rep(c("red","green","black"), each = 50))
write.csv(scrs, "my_pc_scores2.csv")
scrs 看起来像这样：
> head(scrs)
PC1 PC2 PC3 Species Colour
1 -2.257141 -0.4784238 0.12727962 setosa red
2 -2.074013 0.6718827 0.23382552 setosa red
3 -2.356335 0.3407664 -0.04405390 setosa red
4 -2.291707 0.5953999 -0.09098530 setosa red
5 -2.381863 -0.6446757 -0.01568565 setosa red
6 -2.068701 -1.4842053 -0.02687825 setosa red
更新错过了关于 RGB 的要点。请参阅?rgb 以了解在 R 中指定它的方法，但如果您想要的只是 RGB 字符串，则将上面的内容更改为使用类似
Colour = rep(c("#FF0000","#00FF00","#000000"), each = 50)
相反，您可以在其中指定所需的 RGB 字符串。
princomp() 和prcomp() 的本质区别在于用于计算 PCA 的算法。 princomp() 使用协方差或相关矩阵的特征分解，而 prcomp() 使用原始数据矩阵的奇异值分解 (SVD)。 princomp() 只处理数据中至少有同样多的样本（行）和变量（列）的数据集。 prcomp() 可以处理那种类型的数据和列多于行的数据集。此外，可能更重要的是，取决于您所考虑的用途，SVD 优于特征分解，因为它具有更好的数值精度。
我已经用html5 和canvas 标记了Q，希望这些专家可以提供帮助。如果您没有收到任何回复，请从您的 Q 中删除第 3 点，并专门针对使用画布显示 PC 的主题开始一个新的问题，详细信息请参考此问题。
【讨论】：
您可以通过str(object_name) 了解任何 R 对象。在这种情况下：
m <- matrix(rnorm(50), nrow = 10)
res <- prcomp(m)
str(m)
如果您通过执行?prcomp 查看prcomp 的帮助页面，您会发现分数在res$x 中，而负载在res$rotation 中。这些已由 PC 标记。没有颜色，除非您决定在绘图过程中分配一些颜色。请参阅相应的帮助页面以比较 princomp 和 prcomp 以了解这两个函数之间的比较。基本上，它们之间的区别与幕后使用的方法有关。你最后一个问题我没法帮你。
【讨论】：
您声明您在 2D 矩阵上执行 PCA。如果这是您的数据矩阵，则无法获得 3D PCA。当然，您的二维矩阵可能是数据的协方差矩阵，在这种情况下，您需要使用princomp（不是prcomp！）并像这样明确传递协方差矩阵m：
princomp(covmat = m)
像这样传递协方差矩阵：
princomp(m)
不会产生正确的结果。
【讨论】：
mat <- matrix(rnorm(100), ncol = 10)；这是一个二维数据集，因为length(dim(mat)) 是 2。但是，由此类数据表示的空间是 10-d。