# 做主成分分析，把图画规范

> 上传测量数据，Yila 标准化变量、做主成分分析，画出得分图、碎石图和清楚易读的双标图，并交付载荷表和代码。

URL: https://yila.ai/zh/playbooks/pca-plot

## 你会得到

- **得分图** (PNG + SVG): PC1 对 PC2，坐标轴标出各自解释的方差，样本按分组着色并带 95% 置信椭圆。
- **碎石图** (PNG + SVG): 每个主成分单独和累计解释的方差，帮你说明为什么保留这几个主成分。
- **双标图与载荷表** (图 + CSV): 用箭头标出贡献最大的变量，另附所有主成分的完整载荷表。
- **分析代码** (Python 代码): 完整的 Python 代码（需要的话也可以是 R），预处理步骤都写清楚了。

## 怎么做

1. **上传表格，说明分组**: 给 Yila 一个包含测量值的 CSV 或 Excel 文件，说明按哪一列着色。分组只用于着色，不参与主成分的计算。
2. **Yila 检查变量和量纲**: 它先看各变量的单位和取值范围，对量纲不同的变量做标准化，并在分析前报告缺失值。
3. **拿到三张图和载荷表**: 得分图、碎石图和双标图渲染出来检查后，与载荷表和代码一起保存。想看 PC1 对 PC3、给样本加标签或做三维图，在同一个对话里说就行。

## 适合这些场景

- **组学与代谢组学**: 在做差异分析之前，先看样本是按处理聚在一起，还是按批次聚在一起。
- **化学与食品科学**: 同时用多项测量指标展示样本如何分开，以及是哪些指标在起作用。
- **问卷与量表数据**: 把许多相关的题目归纳成少数几个成分，看清哪些题目落在一起。

## 常见问题

### PCA 图表达的是什么？

主成分分析把许多相互相关的变量转换成少数几个互不相关的主成分，按解释方差的多少排序。得分图把每个样本放在前两个主成分上，整体相似的样本会靠在一起。

### 变量需要标准化吗？

单位或取值范围不同时需要，否则数值最大的变量会主导结果。示例中脯氨酸是几百量级、色调在 1 左右，所以 13 个变量全部做了标准化。如果变量本来就在同一量纲上，Yila 可能不做标准化，并说明理由。

### 该保留几个主成分？

可以参考碎石图和累计方差：常见的判断标准有曲线拐点、累计解释 80% 之类的目标，或特征值大于 1。Yila 会把这些都报告出来，由你决定。

### 置信椭圆代表什么？

在二元正态假设下，每个椭圆覆盖该组 95% 得分预计会落入的区域。它帮助展示各组是否分开，但不是统计检验。

### 能用 PCA 检验组间差异吗？

不能，PCA 是描述性的方法。如果看到各组分开、想做检验，可以要求加做 PERMANOVA 或判别分析，Yila 会补上。

### 用 R 还是 Python？

都可以。示例用的是 Python 的 scikit-learn；用 R 时 Yila 会用 prcomp 配合 ggplot2 或 factoextra。

### 示例用的数据从哪里来？

来自公开的 Wine 数据集（Aeberhard 与 Forina），以 CC BY 4.0 许可发布在 UCI 机器学习数据库上。Yila 从不拿用户的数据做示例。

---

- [做主成分分析，把图画规范](https://yila.ai/zh/playbooks/pca-plot)
- [llms.txt](https://yila.ai/zh/llms.txt)
