主成分分析（PCA）
简介
主成分分析（Principal component analysis，PCA）利用正交变换对一系列可能相关的变量的观测值进行线性变换，从而投影为一系列线性不相关变量的值，这些不相关变量称为主成分（Principal Components）。PCA是最简单的以特征量分析多元统计分布的方法。通常情况下，这种运算可以被看作是揭露数据的内部结构，从而更好的解释数据的变量的方法。
数据说明
1）若行为样品，列为特征（例如基因）：第一列为样品名，第二列为组名，第3及以后列为特征。图中坐标轴Dim1和Dim2为第一、第二主成分（即潜在变量对差异的解释率）；点代表样品（individuals），不同颜色表示不同分组。调用：prcomp计算PCA，FactoMineR包绘图。
2）若行为特征（例如基因），列为样品：第一行为样品名，第二行为组名，第3及以后行为特征。
该包默认对数据进行center，scale转化。
论文例子
[Nature communications] Sympathetic axonal sprouting induces changes in macrophage populations and protects against pancreatic cancer. Fig4h
如何引用？
建议直接写网址。3600+篇
google学术，2800+篇
知网学术
正式引用：Tang D, Chen M, Huang X, Zhang G, Zeng L, Zhang G, Wu S, Wang Y.
SRplot: A free online platform for data visualization and graphing. PLoS One. 2023 Nov 9;18(11):e0294236. doi: 10.1371/journal.pone.0294236. PMID: 37943830.
方法章节：Heatmap was plotted by https://www.bioinformatics.com.cn (last accessed on 20 June 2024), an online platform for data analysis and visualization.
致谢章节：We thank Mingjie Chen (Shanghai NewCore Biotechnology Co., Ltd.) for providing data analysis and visualization support.
