主成分分析（Principal components analysis，PCA）是一种线性降维方法。它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是一种对数据进行简化分析的技术，这种方法可以有效地找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。
举个通俗易懂的例子：以学习成绩为例，每个同学有多门考试成绩（即分数），例如语文75、数学78、英语86等等。如果有10门课程，那么每个同学的成绩就有10个维度，10个维度对于我们了解这个同学的成绩来说，有点复杂。这时，我们可以用成绩好和成绩不好来表征这个同学的成绩，这就是“降维”。
“PCA降维”的目的：
1）去冗余
例如微积分成绩和概率论的成绩一般是强相关，这样就可以将10个维度去掉1个维度）
2）发现异常值
例如某同学由于疫情被隔离了几天，缺了几门课的成绩，那么降维后就可以在2D图上找到该同学所代表的点，后续分析时可以考虑踢掉
3）保留原始信息
降维后新的主成分能够解释原数据，如果降维后可解释性降低，那么就不是好的降维
大多数情况下，降维是为聚类、分类服务的。降维后，我们就可以研究同学们的成绩情况，寻找隐藏在成绩背后的信息，例如，有几个学生成绩都很好，那么“他们住在同一个宿舍”就有可能是潜在变量。
降维的方法有很多种，常见的包括线性降维（PCA、PLS），非线性降维（UMAP，tSNE）等。降维后一般会进行2D，或者3D图的绘制，其中2D图最常见也最容易理解。一般我们绘制individuals散点图，也就是将看得见，摸得着的样本点（例如常规RNAseq结果中的15个样品或者单细胞测序中的成千上万个细胞等）绘制在X/Y轴坐标系中。
对主成分分析（Principal components analysis，PCA）有了简单地解后，我们就可以用微生信网站进行发表级PCA绘图了。
1，打开绘图页面
微生信-在线绘制主成分分析图（Principal component analysis，PCA）
2，下载示例数据
这是最经典的鸾（音：yuān）尾花数据，该数据测量了三种鸢尾花（B列：Setosa鸢尾花、Versicolour鸢尾花和Virginica鸢尾花）的4个属性数据（C：花萼长度、D：花萼宽度、E：花瓣长度、F：花瓣宽度），每种花收集了50条样本记录，共计150条（A列：s1-s150）。
3，拷贝并粘贴示例数据
4，修改参数，并提交
图片大小颜色形状以及标注字体大小等都可以个性化定制，可满足不同的绘图需求。
5，提交出图
该图展示了150个样品在第一主成分（73%)和第二主成分（22.39%）的散点图，百分比表示可解释程度，即第一主成分可以解释数据属性的73%。将4维空间降维为2维空间后，可以较明显地看出这150个样本呈现为3群。
该模块调用了FactoMineR、factoextra等R包。
没有预览就是没有出图，这时请参考示例数据，检查输入数据格式！
遇到文字截断，需要修改字体、调整字体大小等，使用inkscape软件进行操作。
微生信助力高分文章，用户185000，谷歌学术3600篇
