最近，師妹在利用 R 對 PCA 結果進行可視化時遇到了一些問題，她說不太明白 ggplot2 怎么用在 PCA 結果上，那就安排吧。

PCA、PCoA、NMDS、RDA 等圖形的本質是散點圖，既然是散點圖，那在可視化的時候把它們當作散點圖就行了，不用管是什么算法的結果。我認為最重要的一步是能夠看懂這些多元統計分析的輸出結果，并從中提取出用于畫圖的數據，然后將這些數據和自己的分組信息進行組合。完成數據的提取和組合，剩下的技術問題就都不是問題了。

?

我一直認為：「數據統計分析及可視化最重要的是理清楚數據結構」！

?

rm(list = ls())

library(tidyverse)

library(ggplot2)

library(ggsci)

library(Cairo)

進行PCA計算

pca = prcomp(iris[1:4])

提取每個樣本對應的PCA坐標

pca.res = pca[["x"]] %>%

as.data.frame()

將PCA結果和樣本分組信息進行匹配

pca.res = cbind(pca.res, iris[,5])

colnames(pca.res)[5] = 'group'

計算每個主成分對方差的解釋度

pca.var = pca$sdev^2 %>%

as.data.frame()

pca.var$var = round(pca.var$. / sum(pca.var) * 100, 2) # 計算各主成分所占百分比

pca.var$pc = colnames(pca.res)[1:(ncol(pca.res)-1)]

繪制碎石圖看每個主成分的解釋量

ggplot(pca.var, aes(pc, var, fill = pc)) +

geom_bar(stat = 'identity')+

scale_fill_igv()+

scale_y_continuous(expand = c(0,0)) +

theme_bw() +

labs(x = '主成分',

y = '主成分解釋量(%)')`

進行PCA可視化

p = ggplot(pca.res, aes(PC1, PC2, color = group, shape = group))+

# 選擇X軸Y軸并映射顏色和形狀

geom_point(size = 3)+ # 畫散點圖并設置大小

geom_hline(yintercept = 0,linetype="dashed") + # 添加橫線

geom_vline(xintercept = 0,linetype="dashed") + # 添加豎線

scale_color_igv()+ # 設置顏色,此處為Integrative Genomics Viewer配色

theme_bw() + # 加上邊框

stat_ellipse(level = 0.95)+ # 添加置信橢圓

# 自動提取主成分解釋度進行繪圖

labs(x = paste('PC1(', pca.var$var[1],'%)', sep = ''),

y = paste('PC2(', pca.var$var[2],'%)', sep = '')) +

theme(legend.position = c(0.85,0.85)) # 設置圖例位置，此處為相對位置

p

保存成PDF格式

ggsave(p, filename = 'figures/PCA.pdf',

width = 5, height = 5, # 設置長寬

device = cairo_pdf, # 使用cairo輸出設備

family = 'Song') # 設置輸出字體為宋體`

總結

以上是生活随笔為你收集整理的r读取shape文件可视化_【R】提取 PCA 结果并利用 ggplot2 进行可视化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。