主成分分析（PCA）

简介
主成分分析（Principal components 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scale转化。
论文例子
[Nature communications] Sympathetic axonal sprouting induces changes in macrophage populations and protects against pancreatic cancer. Fig4h

输入	示例数据
输出

1）如何作图？
1，准备作图数据；2，用excel打开数据，调整为示例格式；3，将调整后的数据粘贴到输入框；4，选择参数；5，提交出图
2）为什么不出图？
对输入数据格式有严格要求。请观看输入框上面的视频介绍，并仔细阅读右侧说明，示例数据。
3）如何引用？
1500+篇google学术，1000+篇知网学术引用
请使用原生R包，Python包进行引用，或使用如下格式（推荐直接写网址）
Method: Heatmap was plotted by https://www.bioinformatics.com.cn (last accessed on 10 Jul 2023), an online platform for data analysis and visualization.
Acknowledgement: We thank Shanghai NewCore Biotechnology Co., Ltd. (https://www.bioinformatics.com.cn, last accessed on 10 Jul 2023) for providing data analysis and visualization support.