【发布时间】：2018-11-17 15:34:36
【问题描述】：
许多函数可以对 R 中的原始数据执行主成分分析 (PCA)。通过原始数据，我理解任何数据框或矩阵，其行由观察值索引，其列由测量值标识。我们可以对 R 中的相关矩阵进行 PCA 吗？哪个函数可以接受相关矩阵作为其在 R 中的输入？
【问题讨论】：
-
看看这个question。
princomp可以采用covmat输入参数（但它是协方差矩阵而不是相关矩阵）而不是初始数据帧。
【发布时间】：2018-11-17 15:34:36
【问题描述】：
如 cmets 中所述，您可以使用
ii <- as.matrix(iris[,1:4])
princomp(covmat=cor(ii))
这将为您提供与princomp(iris,cor=TRUE) 等效的结果（这不是您想要的 - 后者使用完整的数据矩阵，但返回当协方差矩阵转换为相关时计算的值)。
如果您有相关矩阵，您也可以手动进行所有相关计算：
cc <- cor(ii)
e1 <- eigen(cc)
标准偏差：
sqrt(e1$values)
[1] 1.7083611 0.9560494 0.3830886 0.1439265
方差比例：
e1$values/sum(e1$values)
[1] 0.729624454 0.228507618 0.036689219 0.005178709
您可以通过e1$vectors 获取负载。通过as.matrix(iris) %*% e1$vectors) 计算分数（根据this CV question）（这不会给出与princomp()$scores 相同的数字答案 - 特征向量的缩放比例不同 - 但它给出了相同的结果）。
【讨论】：
-
如果使用命令 res.pca=princomp(covmat=cor(iris)) 我无法通过 factominer 包查看结果。即，我使用命令 fviz_pca_ind(res.pca) 并且我得到了答案“对象 res.pca 没有元素分数。请使用参数分数 = TRUE 的函数 princomp()”。因此，我在 princomp 函数中包含了参数分数，但我仍然收到这个 aswer。
-
您试图在不访问原始数据的情况下可视化 PCA 分数的分布......如果您没有原始数据，您希望图表向您显示什么... ??