pca是热图的另一种表现形式

---

   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())
if(!require(FactoMineR))install.packages('FactoMineR')
if(!require(factoextra))install.packages('factoextra')
library('FactoMineR')
library('factoextra')


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
去掉最后一列（分组信息）

dat <>
table(iris$Species)
## 
##     setosa versicolor  virginica 
##         50         50         50
pdata=data.frame(Species=iris$Species)
rownames(pdata)=rownames(dat)


看下热图

pheatmap::pheatmap(dat)


pca <>FALSE)
eig.val <>#特征值/方差/累计

##       eigenvalue variance.percent cumulative.variance.percent
## Dim.1 2.91849782       72.9624454                    72.96245
## Dim.2 0.91403047       22.8507618                    95.81321
## Dim.3 0.14675688        3.6689219                    99.48213
## Dim.4 0.02071484        0.5178709                   100.00000


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,
             addEllipses=TRUE, ellipse.level=0.95, palette = 'Dark2')


# Read more: http://www./english/wiki/ggplot2-colors


图3：变量聚类

fviz_pca_var(pca, col.var = 'contrib',
             gradient.cols = c('white', 'blue', 'red'),
             ggtheme = theme_minimal())


# 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,
                addEllipses=TRUE, ellipse.level=0.95,
                ggtheme = theme_minimal())


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
#变量数多时加参数：top = n，表示前n