大神一句话,菜鸟跑半年。我不是大神,但我可以缩短你走弯路的半年~ 就像歌儿唱的那样,如果你不知道该往哪儿走,就留在这学点生信好不好~ 这里有豆豆和花花的学习历程,从新手到进阶,生信路上有你有我! 大年初三,加油油。 pca走起。 rm(list = ls()) 选iris来做pca分析示例,是因为他的分组间有差异,有研究意义 dat <> 看下热图 pheatmap::pheatmap(dat) pca <>FALSE) 图1:碎石图:选择要分析的主成分(一般是前两个) fviz_eig(pca, addlabels = TRUE, ylim = c(0, 100)) 图2:样本聚类,这是最重要的一张图。 fviz_pca_ind(pca, label='none', habillage=iris$Species, # Read more: http://www./english/wiki/ggplot2-colors 图3:变量聚类 fviz_pca_var(pca, col.var = 'contrib', # 这个颜色是根据变量的贡献值赋值的 图4:结合变量和观测值,变量太多时不适用 fviz_pca_biplot(pca, label = 'var', habillage=iris$Species, 图5:看各原始变量主成分的贡献率 fviz_contrib(pca, choice = 'var', axes = 1) #只看对PC1 fviz_contrib(pca, choice = 'var', axes = 2) #只看对PC2 fviz_contrib(pca, choice = 'var', axes = 1:2) #综合看PC1+PC2 |
|