從R中提取3D座標PCA

-1

我正試圖找到一種方法，使得R更加便攜的3D PCA可視化; 我已使用prcomp()在2D矩陣上運行PCA。從R中提取3D座標PCA

如何導出數據點的3D座標以及與每個點相關的標籤和顏色（RGB）？
與princomp()和prcomp()有什麼實際區別？
關於如何使用HTML5和畫布最佳查看3D PCA圖的任何想法？

謝謝！

來源

2012-06-02 user1431798

你最好問這些問題作爲單獨的問題（特別是問題3）。 –

你必須提供更多信息。你的數據是什麼，你的2d矩陣是一個cov矩陣，RGB的含義是什麼？在你的領域，這種分析可能是顯而易見的，但PCA適用於大量的學科領域。 –

下面是一個例子，從工作：

pc <- prcomp(~ . - Species, data = iris, scale = TRUE)

分數從部件x萃取軸;因此你可以只寫出來（你不說你想怎麼導出）爲CSV使用：
```
write.csv(pc$x[, 1:3], "my_pc_scores.csv") 
```
如果你想分配信息，以這些分數（顏色和標籤，這是不相關的東西與PCA，但你自己分配），然後將它們添加到分數矩陣，然後出口。在上面的例子中，有三個物種各有50個觀測值。如果我們要導出的成績旁邊的信息，然後像這樣將工作
```
scrs <- data.frame(pc$x[, 1:3], Species = iris$Species, 
        Colour = rep(c("red","green","black"), each = 50)) 
write.csv(scrs, "my_pc_scores2.csv") 
```
scrs看起來是這樣的：
```
> head(scrs) 
     PC1  PC2   PC3 Species Colour 
1 -2.257141 -0.4784238 0.12727962 setosa red 
2 -2.074013 0.6718827 0.23382552 setosa red 
3 -2.356335 0.3407664 -0.04405390 setosa red 
4 -2.291707 0.5953999 -0.09098530 setosa red 
5 -2.381863 -0.6446757 -0.01568565 setosa red 
6 -2.068701 -1.4842053 -0.02687825 setosa red 
```
更新錯過有關RGB點。見?rgb爲R中指定此方法，但是如果你想要的是RGB字符串，然後更改上述使用類似
```
    Colour = rep(c("#FF0000","#00FF00","#000000"), each = 50) 
```
相反，在那裏你指定你想要的RGB字符串。
princomp()和prcomp()之間的本質區別是用於計算PCA的算法。 princomp()使用協方差或相關矩陣的Eigen分解，而prcomp()使用原始數據矩陣的奇異值分解（SVD）。princomp()僅處理數據中至少包含同樣多樣本（行）和變量（列）的數據集。 prcomp()可以處理那些類型的數據和數據集，其中列數多於行數。另外，也許更重要的是取決於你的想法，SVD優於特徵分解，因爲它具有更好的數值精度。
我已經用html5和canvas標記了Q，希望那些專家能夠提供幫助。如果您沒有得到任何答覆，請從Q中刪除第3點，並專門針對使用畫布顯示PC的主題開始一個新的操作，並參考該細節。

來源

2012-06-02 07:51:38

您可以通過做str(object_name)瞭解任何R對象。在這種情況下：

m <- matrix(rnorm(50), nrow = 10) 
res <- prcomp(m) 
str(m)

如果你看一下幫助頁面prcomp做?prcomp，你可以發現，得分在res$x和負荷都在res$rotation。這些已被PC標記。沒有顏色，除非你決定在劇情過程中分配一些顏色。請參閱相應的幫助頁面，以比較princomp與prcomp，以便比較兩種功能。基本上，它們之間的區別與幕後使用的方法有關。我無法幫助你處理最後一個問題。

來源

2012-06-02 00:41:21

您聲明您在2D矩陣上執行PCA。如果這是您的數據矩陣，則無法獲得3D PCA。 Ofcourse它可能是你的二維矩陣是數據的協方差矩陣，在這種情況下，你需要使用princomp和explictely通過協方差矩陣m像這樣（不prcomp！）：

princomp(covmat = m)

傳遞的協方差矩陣如：

princomp(m)

不會產生正確的結果。

來源

2012-06-03 16:08:01

您是否正在對數據描述進行相當概括的觀察？考慮'mat < - matrix（rnorm（100），ncol = 10）';這是一個二維數據集，意思是「長度（dim（mat））」是2.然而，由這些數據表示的空間是10-d。 –

從R中提取3D座標PCA

回答

相關問題