R语言如何建立主成分分析(PCA)相关圆从PCA对象与包食谱？

2o7dmzc5 于 2023-11-14 发布在其他

关注(0)|答案(1)|浏览(107)

**Context：**Tidymodels框架使用了一个通用的语法来构建模型，但FactoMineR和factoextra包并不属于其中，而是使用了recipes包。
**问题：**为了标准化我的数据分析工作流程，我尝试使用recipes和tidymodels语法来进行PCA。但是，我不知道如何从FactoMineR和recipes方法中获得可比的输出。
**问题：**如何从用recipes::step_pca()制作的对象构建相关圆和其他类似于FactoMineR::PCA()的图形表示？
**目前为止我尝试了什么：**我比较了recipes，FactoMineR和stats的PCA输出形式，试图识别“等效”信息。但是我不明白如何使图形表示等效于FactoMineR，而是使用recipes + ggplot。
下面是一些代码：
使用菜谱：

# Using recipes ----
library(recipes)
rec_iris <- recipe(~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, data = iris) %>%
  step_normalize(all_numeric_predictors()) %>% 
  step_pca(all_predictors())
prep_rec <- prep(rec_iris)
bake(prep_rec, new_data = NULL)
#> # A tibble: 150 × 4
#>      PC1     PC2     PC3      PC4
#>    <dbl>   <dbl>   <dbl>    <dbl>
#>  1 -2.26 -0.478   0.127   0.0241 
#>  2 -2.07  0.672   0.234   0.103  
#>  3 -2.36  0.341  -0.0441  0.0283 
#>  4 -2.29  0.595  -0.0910 -0.0657 
#>  5 -2.38 -0.645  -0.0157 -0.0358 
#>  6 -2.07 -1.48   -0.0269  0.00659
#>  7 -2.44 -0.0475 -0.334  -0.0367 
#>  8 -2.23 -0.222   0.0884 -0.0245 
#>  9 -2.33  1.11   -0.145  -0.0268 
#> 10 -2.18  0.467   0.253  -0.0398 
#> # ℹ 140 more rows
# I can get useful information using:
prep_rec %>% tidy(2, type = "variance")
#> # A tibble: 16 × 4
#>    terms                          value component id       
#>    <chr>                          <dbl>     <int> <chr>    
#>  1 variance                      2.92           1 pca_OMBbk
#>  2 variance                      0.914          2 pca_OMBbk
#>  3 variance                      0.147          3 pca_OMBbk
#>  4 variance                      0.0207         4 pca_OMBbk
#>  5 cumulative variance           2.92           1 pca_OMBbk
#>  6 cumulative variance           3.83           2 pca_OMBbk
#>  7 cumulative variance           3.98           3 pca_OMBbk
#>  8 cumulative variance           4              4 pca_OMBbk
#>  9 percent variance             73.0            1 pca_OMBbk
#> 10 percent variance             22.9            2 pca_OMBbk
#> 11 percent variance              3.67           3 pca_OMBbk
#> 12 percent variance              0.518          4 pca_OMBbk
#> 13 cumulative percent variance  73.0            1 pca_OMBbk
#> 14 cumulative percent variance  95.8            2 pca_OMBbk
#> 15 cumulative percent variance  99.5            3 pca_OMBbk
#> 16 cumulative percent variance 100              4 pca_OMBbk
prep_rec %>% tidy(2, type = "coef")
#> # A tibble: 16 × 4
#>    terms          value component id       
#>    <chr>          <dbl> <chr>     <chr>    
#>  1 Sepal.Length  0.521  PC1       pca_OMBbk
#>  2 Sepal.Width  -0.269  PC1       pca_OMBbk
#>  3 Petal.Length  0.580  PC1       pca_OMBbk
#>  4 Petal.Width   0.565  PC1       pca_OMBbk
#>  5 Sepal.Length -0.377  PC2       pca_OMBbk
#>  6 Sepal.Width  -0.923  PC2       pca_OMBbk
#>  7 Petal.Length -0.0245 PC2       pca_OMBbk
#>  8 Petal.Width  -0.0669 PC2       pca_OMBbk
#>  9 Sepal.Length  0.720  PC3       pca_OMBbk
#> 10 Sepal.Width  -0.244  PC3       pca_OMBbk
#> 11 Petal.Length -0.142  PC3       pca_OMBbk
#> 12 Petal.Width  -0.634  PC3       pca_OMBbk
#> 13 Sepal.Length  0.261  PC4       pca_OMBbk
#> 14 Sepal.Width  -0.124  PC4       pca_OMBbk
#> 15 Petal.Length -0.801  PC4       pca_OMBbk
#> 16 Petal.Width   0.524  PC4       pca_OMBbk

字符串

使用FactoMineR：

# Using FactoMineR ----
library(FactoMineR)
pca_facto <- FactoMineR::PCA(iris[, 1:4])

型

使用统计数据

# Using stats ----
pca_stats <- stats::prcomp(~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, data = iris, scale = TRUE, center = TRUE)

型
现在让我们尝试比较我们刚刚创建的对象的内容：

# Equivalent objects:
prep_rec %>% tidy(2, type = "variance"); pca_facto$eig; summary(pca_stats)
#> # A tibble: 16 × 4
#>    terms                          value component id       
#>    <chr>                          <dbl>     <int> <chr>    
#>  1 variance                      2.92           1 pca_OMBbk
#>  2 variance                      0.914          2 pca_OMBbk
#>  3 variance                      0.147          3 pca_OMBbk
#>  4 variance                      0.0207         4 pca_OMBbk
#>  5 cumulative variance           2.92           1 pca_OMBbk
#>  6 cumulative variance           3.83           2 pca_OMBbk
#>  7 cumulative variance           3.98           3 pca_OMBbk
#>  8 cumulative variance           4              4 pca_OMBbk
#>  9 percent variance             73.0            1 pca_OMBbk
#> 10 percent variance             22.9            2 pca_OMBbk
#> 11 percent variance              3.67           3 pca_OMBbk
#> 12 percent variance              0.518          4 pca_OMBbk
#> 13 cumulative percent variance  73.0            1 pca_OMBbk
#> 14 cumulative percent variance  95.8            2 pca_OMBbk
#> 15 cumulative percent variance  99.5            3 pca_OMBbk
#> 16 cumulative percent variance 100              4 pca_OMBbk
#>        eigenvalue percentage of variance cumulative percentage of variance
#> comp 1 2.91849782             72.9624454                          72.96245
#> comp 2 0.91403047             22.8507618                          95.81321
#> comp 3 0.14675688              3.6689219                          99.48213
#> comp 4 0.02071484              0.5178709                         100.00000
#> Importance of components:
#>                           PC1    PC2     PC3     PC4
#> Standard deviation     1.7084 0.9560 0.38309 0.14393
#> Proportion of Variance 0.7296 0.2285 0.03669 0.00518
#> Cumulative Proportion  0.7296 0.9581 0.99482 1.00000

型
为什么这些不同呢？

# Why are these different?
prep_rec %>% tidy(2, type = "coef"); pca_stats$rotation # --> different form $var from an abject made with FactoMineR::PCA()
#> # A tibble: 16 × 4
#>    terms          value component id       
#>    <chr>          <dbl> <chr>     <chr>    
#>  1 Sepal.Length  0.521  PC1       pca_OMBbk
#>  2 Sepal.Width  -0.269  PC1       pca_OMBbk
#>  3 Petal.Length  0.580  PC1       pca_OMBbk
#>  4 Petal.Width   0.565  PC1       pca_OMBbk
#>  5 Sepal.Length -0.377  PC2       pca_OMBbk
#>  6 Sepal.Width  -0.923  PC2       pca_OMBbk
#>  7 Petal.Length -0.0245 PC2       pca_OMBbk
#>  8 Petal.Width  -0.0669 PC2       pca_OMBbk
#>  9 Sepal.Length  0.720  PC3       pca_OMBbk
#> 10 Sepal.Width  -0.244  PC3       pca_OMBbk
#> 11 Petal.Length -0.142  PC3       pca_OMBbk
#> 12 Petal.Width  -0.634  PC3       pca_OMBbk
#> 13 Sepal.Length  0.261  PC4       pca_OMBbk
#> 14 Sepal.Width  -0.124  PC4       pca_OMBbk
#> 15 Petal.Length -0.801  PC4       pca_OMBbk
#> 16 Petal.Width   0.524  PC4       pca_OMBbk
#>                     PC1         PC2        PC3        PC4
#> Sepal.Length  0.5210659 -0.37741762  0.7195664  0.2612863
#> Sepal.Width  -0.2693474 -0.92329566 -0.2443818 -0.1235096
#> Petal.Length  0.5804131 -0.02449161 -0.1421264 -0.8014492
#> Petal.Width   0.5648565 -0.06694199 -0.6342727  0.5235971
pca_facto$var
#> $coord
#>                   Dim.1      Dim.2       Dim.3       Dim.4
#> Sepal.Length  0.8901688 0.36082989 -0.27565767 -0.03760602
#> Sepal.Width  -0.4601427 0.88271627  0.09361987  0.01777631
#> Petal.Length  0.9915552 0.02341519  0.05444699  0.11534978
#> Petal.Width   0.9649790 0.06399985  0.24298265 -0.07535950
#> 
#> $cor
#>                   Dim.1      Dim.2       Dim.3       Dim.4
#> Sepal.Length  0.8901688 0.36082989 -0.27565767 -0.03760602
#> Sepal.Width  -0.4601427 0.88271627  0.09361987  0.01777631
#> Petal.Length  0.9915552 0.02341519  0.05444699  0.11534978
#> Petal.Width   0.9649790 0.06399985  0.24298265 -0.07535950
#> 
#> $cos2
#>                  Dim.1       Dim.2       Dim.3        Dim.4
#> Sepal.Length 0.7924004 0.130198208 0.075987149 0.0014142127
#> Sepal.Width  0.2117313 0.779188012 0.008764681 0.0003159971
#> Petal.Length 0.9831817 0.000548271 0.002964475 0.0133055723
#> Petal.Width  0.9311844 0.004095980 0.059040571 0.0056790544
#> 
#> $contrib
#>                  Dim.1       Dim.2     Dim.3     Dim.4
#> Sepal.Length 27.150969 14.24440565 51.777574  6.827052
#> Sepal.Width   7.254804 85.24748749  5.972245  1.525463
#> Petal.Length 33.687936  0.05998389  2.019990 64.232089
#> Petal.Width  31.906291  0.44812296 40.230191 27.415396

型
创建日期：2023年10月31日，使用reprex v2.0.2

r

来源：https://stackoverflow.com/questions/77397817/how-to-build-principal-component-analysis-pca-correlation-circle-from-pca-obje

1条答案

按热度按时间

cyvaqqii1#

第一个图可以通过将前两个主成分分别Map到X轴和Y轴来绘制。为了匹配您分享的示例，我使用ggrepel标记点。

library(tidyverse)
library(recipes)
library(ggrepel)
library(ggforce)

iris_pca <- recipe(~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, data = iris) %>%
  step_normalize(all_numeric_predictors()) %>% 
  step_pca(all_predictors(), res = TRUE) %>%
  prep() 
  
iris_pca %>%
  bake(new_data = NULL) %>%
  mutate(id = row_number()) %>%
  ggplot(aes(PC1, PC2)) +
  geom_point() +
  geom_text_repel(aes(label = id)) +
  geom_hline(yintercept = 0, lty = 2) +
  geom_vline(xintercept = 0, lty = 2) +
  coord_equal() +
  theme_bw()

字符串

的数据
获取圆图的值需要从准备好的对象中获取载荷。这就是matrix = 'v'在下面所做的。

tidy(iris_pca, 2, matrix = 'v') %>%
  pivot_wider(names_from = component, values_from = value) %>%
  ggplot() +
  geom_segment(aes(x = 0, y = 0, xend = PC1, yend = PC2)) +
  geom_label_repel(aes(x = PC1, y = PC2, label = terms)) +
  geom_circle(aes(x0 = 0, y0 = 0, r = 1)) +
  coord_equal() +
  theme_bw()

型

的

赞(0）回复(0）举报 2023-11-14

我来回答

R语言如何建立主成分分析(PCA)相关圆从PCA对象与包食谱？

1条答案

相关问题

热门标签

最新问答

R语言 如何建立主成分分析(PCA)相关圆从PCA对象与包食谱？

1条答案

相关问题

热门标签

最新问答

R语言如何建立主成分分析(PCA)相关圆从PCA对象与包食谱？