這篇文章主要為大家展示了“如何利用R語言的ggplot2包繪制PCA圖”，內(nèi)容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“如何利用R語言的ggplot2包繪制PCA圖”這篇文章吧。
創(chuàng)新互聯(lián)建站是專業(yè)的獻(xiàn)縣網(wǎng)站建設(shè)公司，獻(xiàn)縣接單;提供網(wǎng)站設(shè)計制作、成都網(wǎng)站設(shè)計,網(wǎng)頁設(shè)計,網(wǎng)站設(shè)計,建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進(jìn)行獻(xiàn)縣網(wǎng)站開發(fā)網(wǎng)頁制作和功能擴(kuò)展;專業(yè)做搜索引擎喜愛的網(wǎng)站,專業(yè)的做網(wǎng)站團(tuán)隊,希望更多企業(yè)前來合作!
一 載入數(shù)據(jù)集和R包
library(ggplot2)#使用經(jīng)典iris數(shù)據(jù)集df <- iris[c(1, 2, 3, 4)]head(df) Sepal.Length Sepal.Width Petal.Length Petal.Width1 5.1 3.5 1.4 0.22 4.9 3.0 1.4 0.23 4.7 3.2 1.3 0.24 4.6 3.1 1.5 0.25 5.0 3.6 1.4 0.26 5.4 3.9 1.7 0.4
二 進(jìn)行主成分分析
df_pca <- prcomp(df) #計算主成分df_pcs <-data.frame(df_pca$x, Species = iris$Species) head(df_pcs,3) #查看主成分結(jié)果 PC1 PC2 PC3 PC4 Species1 -2.684126 -0.3193972 0.02791483 0.002262437 setosa2 -2.714142 0.1770012 0.21046427 0.099026550 setosa3 -2.888991 0.1449494 -0.01790026 0.019968390 setosa
三 繪圖展示
3.1 基礎(chǔ)函數(shù)繪制PCA圖
plot(df_pca$x[,1], df_pca$x[,2])
3.2 ggplot2 繪制PCA圖
1) Species分顏色
ggplot(df_pcs,aes(x=PC1,y=PC2,color=Species))+ geom_point()
2）去掉背景及網(wǎng)格線
ggplot(df_pcs,aes(x=PC1,y=PC2,color=Species))+ geom_point()+ theme_bw() +theme(panel.border=element_blank(),panel.grid.major=element_blank(),panel.grid.minor=element_blank(),axis.line= element_line(colour = "black"))
3) 添加PC1 PC2的百分比
重慶分公司
重慶分公司
percentage<-round(df_pca$sdev / sum(df_pca$sdev) * 100,2)percentage<-paste(colnames(df_pcs),"(", paste(as.character(percentage), "%", ")", sep=""))ggplot(df_pcs,aes(x=PC1,y=PC2,color=Species))+geom_point()+ xlab(percentage[1]) +ylab(percentage[2]) 
4) 添加置信橢圓
ggplot(df_pcs,aes(x=PC1,y=PC2,color = Species))+ geom_point()+stat_ellipse(level = 0.95, show.legend = F) + annotate('text', label = 'setosa', x = -2, y = -1.25, size = 5, colour = '#f8766d') +annotate('text', label = 'versicolor', x = 0, y = - 0.5, size = 5, colour = '#00ba38') +annotate('text', label = 'virginica', x = 3, y = 0.5, size = 5, colour = '#619cff') 
5) 查看各變量對于PCA的貢獻(xiàn)
df_r <- as.data.frame(df_pca$rotation)df_r$feature <- row.names(df_r)df_r PC1 PC2 PC3 PC4 featureSepal.Length 0.36138659 -0.65658877 0.58202985 0.3154872 Sepal.LengthSepal.Width -0.08452251 -0.73016143 -0.59791083 -0.3197231 Sepal.WidthPetal.Length 0.85667061 0.17337266 -0.07623608 -0.4798390 Petal.LengthPetal.Width 0.35828920 0.07548102 -0.54583143 0.7536574 Petal.Width
貢獻(xiàn)度繪圖
ggplot(df_r,aes(x=PC1,y=PC2,label=feature,color=feature )) + geom_point()+ geom_text(size=3)
四 PCA繪圖匯總展示
ggplot(df_pcs,aes(x=PC1,y=PC2,color=Species )) + geom_point()+xlab(percentage[1]) + ylab(percentage[2]) + stat_ellipse(level = 0.95, show.legend = F) +annotate('text', label = 'setosa', x = -2, y = -1.25, size = 5, colour = '#f8766d') +annotate('text', label = 'versicolor', x = 0, y = - 0.5, size = 5, colour = '#00ba38') +annotate('text', label = 'virginica', x = 3, y = 0.5, size = 5, colour = '#619cff') + labs(title="Iris PCA Clustering", subtitle=" PC1 and PC2 principal components ", caption="Source: Iris") + theme_classic() 
以上是“如何利用R語言的ggplot2包繪制PCA圖”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！
