R语言绘图PCA分析和散点图.docVIP

PCA分析和散点图 gaom 今天主要跟大家演示一下简单的PCA分析，并且以散点图的形式将结果展示出来。 首先在进行PCA分析之前，先跟大家稍微讨论下什么是PCA分析。PCA分析又叫主成分分析，其实从字面上来理解我们可以发现它其实是和样品分组相关的。举个简单的例子，我们观察了某种植物的株高、叶片大小、果实大小等等多种性状，并记录每种性状对应的数值。这时候我们想看看根据这些性状信息看看我们观察的样本是否明显的分组现象。每一种性状相当于一个维度。利用PCA分析可以将结果投影到一个低维的向量空间（具体计算就不详述了）。类似的比如我们多个样本的表达谱数据，每个基因在各个样品的表达情况就可以算作一个维度。如果大家对PCA算法感兴趣的话，可以自行百度，在这里就不进行太多的描述了。毕竟今天主要是教大家怎么利用R进行PCA分析和结果展示。 还是第一步，我们先准备好我们用来分析的数据。 setwd(C:/Users/gaom/Desktop)#打开文件所在路径，并将文件所在目录作为工作目录data-read.table(file = test_data.txt,header = T,sep = \t)#读取数据，并将首行作为列名dim(data) ## [1] 2999 13 head(data) ## ID_REF T01 T02 T03 T04 T05 T06## 1 1007_s_at 10.198586 11.805676 10.867953 11.763660 12.072232 12.108312## 2 1053_at 9.594074 8.713108 9.247096 9.433265 9.092329 9.005518## 3 117_at 8.581763 8.603680 8.804425 8.661700 8.634979 8.606976## 4 121_at 12.022315 12.655329 12.627334 12.791390 12.961761 12.885307## 5 1255_g_at 7.228569 7.214600 7.237131 7.293417 7.276799 7.268233## 6 1294_at 8.828487 9.380277 9.297989 8.858985 8.995772 9.126825## T07 T08 T09 T10 T11 T12## 1 10.646868 10.852744 10.675898 11.137663 10.796737 11.102408## 2 9.087681 9.027208 8.965283 8.958309 9.275010 8.940965## 3 8.625838 8.577244 8.646751 8.625843 8.625164 8.522129## 4 13.402044 13.240126 13.088883 13.234099 13.382903 13.472223## 5 7.197440 7.262662 7.289796 7.232249 7.202364 7.306229## 6 9.002385 9.003561 9.006278 9.006721 9.018183 9.164313 上述数据第一列为基因探针号，后续几列则为T01到T1的1个样品对应的表达量数据，每三个样品为一组。因为数据是拼凑的，所以这里不关注探针具体信息了。 准备好数据之后我们就开始进行PCA计算了。其实代码非常简单。 pca- prcomp(t(data[,-1]), scale=T)head(pca$x) ## PC1 PC2 PC3 PC4 PC5 PC6## T01 -43.457435 -44.950031 8.305571 3.210563 -7.4280481 14.818150## T02 42.067255 -19.142248 -25.574041 21.120294 -5.7930990 14.702922## T03 -2.123455 -21.512488 -11.192474 17.583006 15.2149034 -34.730308## T04 8.16