- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信菜鸟团
R tips：细究FactoMineR的z-score标准化细节
R中的做主成分分析(PCA)有很多函数，如R自带的prcomp、princomp函数以及FactoMineR包中PCA函数，要论分析简单和出图优雅还是FactoMineR的PCA函数（绘图可以搭配factoextra 先直接说结论：FactoMineR的PCA函数默认进行z-score标准化，永远进行均值中心化处理。 在FactoMineR中是默认进行z-score处理的，z-score处理就是将特征（基因）减去均值，除以标准差。 可以发现这个过程是没有参数控制的，所以FactoMineR的PCA函数一定会进行均值中心化处理。 另外看源码就可以知道，这个除以标准差的过程是可以控制的，由参数scale.unit控制，默认是TRUE，所以FactoMineR的PCA函数默认进行z-score标准化。
2.1K20发布于 2021-11-04 - 来自专栏生物信息学、python、R、linux
R实现PCA降维
这里我们主要讨论怎么样用R实现以及提取我们需要的特征： 用R实现PCA有多个方法： prcomp() and princomp() [built-in R stats package], PCA() [FactoMineR package], dudi.pca() [ade4 package], and epPCA() [ExPosition package] install.packages(c("FactoMineR ", "factoextra")) library("FactoMineR") library("factoextra") #输入的data.frame data(decathlon2) head(decathlon2 在计算PCA的时候也有很多内置的scale参数，如：FactoMineR包里函数PCA(X, scale.unit = TRUE, ncp = 5, graph = TRUE)里面的 scale.unit = TRUE,则进行标准化，或者 library("FactoMineR") decathlon2.active <- decathlon2[1:23, 1:10] res.pca <- PCA(decathlon2
2.1K20发布于 2020-04-01 - 来自专栏小明的数据分析笔记本
ggplot2画点和分组椭圆展示主成分分析（PCA）结果的简单小例子
principal-component-methods-in-r-practical-guide/112-pca-principal-component-analysis-essentials/ 这个链接介绍的很详细了，大家可以自己去看一下 作主成分分析用到的是FactoMineR 包中的PCA()函数 作图用到的是factoextra包中的fviz_pca_ind()函数 这两个包如果是第一次使用需要先安装，运行如下命令 install.packages("FactoMineR" ) install.packages("factoextra") 安装好以后运行如下命令加载 library(FactoMineR) library(factoextra) 示例数据直接用R语言的内置鸢尾花数据集
6.2K30发布于 2021-03-14 - 来自专栏生信技能树
PCA-Statistics is the new sexy!!!
乘积后得到新的样本矩阵，取前两行即PC1和PC2； 这里把PCA的过程用我理解的基础函数，做了包装，大家试着理解一下吧： rm(list=ls()) ######数据集可用于测试PCA library("FactoMineR 对比下在R的现成的PCA功能的结果 FactoMineR和factoextra配合做PCA和可视化(下图中图片名为PCA)； prcomp（stats base级别）和autoplot配合做PCA和可视化 (下图中图片名为prcomp)； ######以下是FactoMineR和factoextra的工作： res<-PCA(X = decathlon2.active, scale.unit = FALSE topic/factominer-users/BRN8jRm-_EM 6.http://blog.sciencenet.cn/home.php?
99120发布于 2019-05-24 - 来自专栏生信菜鸟团
R tips：使用prcomp进行PCA降维
PCA分析和可视化常用的是FactoMineR和factoextra的组合，分析和出图都很方便，比如将iris数据集的四个参数降维（示例使用）： library(magrittr) library(ggplot2 ) # PCA pca_facto <- FactoMineR::PCA(iris[,-ncol(iris)], graph = F) # 绘图 factoextra::fviz_pca_ind( FactoMineR的PCA对象 FactoMineR的主成分分析的坐标和贡献值也可以在PCA对象中找到。
4.8K20发布于 2021-02-03 - 来自专栏生信技能树
PCA-弱水三千，取哪一瓢饮？
下面奉上我在对文章数据进行重现时，使用到的PCA代码： FactoMineR+factoextra 用到的参数的介绍 df[,-ncol(df)]这是对我用于主成分分析的数据的索引，去掉了最后一列的数据 ，ncol用于返回数据框的列数，这里 “-” 即表示除去某一列；这里的最后一列，是加进去的分组信息； PCA函数是FactoMineR包中的功能；graph参数设为FALSE后，这里只是保存了主成分分析后的结果 指在样本周围绘制椭圆，可以更好地区分； legend.title是fviz_pca_ind依赖的ggpubr::ggpar()包中的参数，为自己的legend取名，这里取名为'Groups'； library("FactoMineR
1.3K10发布于 2019-05-23 一. 生信入门环境搭建
BiocInstaller::biocLite(c("impute"))# 但是接下来的代码又需要运行啦options()$reposinstall.packages('WGCNA')install.packages(c("FactoMineR ", "factoextra"))install.packages(c("ggplot2", "pheatmap","ggpubr"))library("FactoMineR")library("factoextra
40100编辑于 2024-03-15- 来自专栏火星娃统计
GEO数据挖掘3
")) options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor") # install.packages(c("FactoMineR ", "factoextra")) library("FactoMineR") library("factoextra") # 数据处理，去掉分组信息 dat.pca <- PCA(dat[,-ncol
1.2K31发布于 2020-09-15 - 来自专栏庄闪闪的R语言手册
R可视乎｜主成分分析结果可视化
方法二 使用FactoMineR包[3]的PCA()函数或者使用基础包的prcomp()函数进行数据降维处理，然后使用factoextra包[4]的fviz_pca_ind()函数对结果进行可视化。 github.com/EasyChart/Beautiful-Visualization-with-R [2] ggbiplot包: https://github.com/vqv/ggbiplot [3] FactoMineR 包: https://cran.r-project.org/web/packages/FactoMineR/index.html [4] factoextra包: https://cran.r-project.org
2.2K30发布于 2021-04-09 - 来自专栏简说基因
R语言中的主成分方法：PCA分析和可视化实用指南
在本文中，我们将使用两个包FactoMineR（用于分析）和factoextra（用于基于ggplot2的可视化）。 安装两个包如下： install.packages(c("FactoMineR", "factoextra")) 在R中加载它们，通过键入以下内容： library("FactoMineR") library 请注意，默认情况下，函数PCA（）[in FactoMineR]在PCA期间自动对数据进行转换;因此您不需要在PCA之前进行此转换。 R代码 可以使用函数PCA（）[FactoMineR package]。 无论您决定使用什么函数[stats::prcomp()，FactoMiner::PCA（），ade 4::dudi.pca（），ExPosition::epPCA（）]，您都可以使用factoextra
3.2K10编辑于 2025-03-13 - 来自专栏用户7627119的专栏
【R语言】factoextra生成发表级PCA主成分分析图（一）
#首先我们需要安装下面这两个R包 install.packages("factoextra") install.packages("FactoMineR") #加载这两个R包 library(FactoMineR
1.5K10编辑于 2022-09-21 - 来自专栏育种数据分析之放飞自我
PCA分析的方方面面
这其中，我又将PCA相关的分析方法和作图汇总了一下： 分析函数 eigen prcomp princomp FactoMineR::PCA ade4::dudi.pca 还有其它分析，比如冗余分析，MCA 使用FactoMineR包中的PCA函数进行分析 可以看到，结果一致。 library(FactoMineR) re3 <- PCA(iris[, 1:4], graph = FALSE,scale.unit = T) summary(re3) ## ## Call: # under R version 4.0.4 ## ## Attaching package: 'ade4' ## The following object is masked from 'package:FactoMineR 多重对应分析：MCA multiple correspondence analysis with the tea dataset, MCA data(tea, package = 'FactoMineR
2K20发布于 2021-03-30 - 来自专栏R语言数据分析指南
ISME图表复现之PCA分析图添加统计信息
rate of niche specialists in hot springs 原图 复现图 加载R包 library(tidyverse) library(ggrepel) library(FactoMineR
28820编辑于 2023-08-18 - 来自专栏简说基因
出版级PCA美图，轻松拿捏（主成分分析利器，建议收藏备用）
工具位置 UseGalaxy.cn > RNA-seq > PCA plot with FactoMineR 数据准备 文件1：矩阵文件 第1列：特征，如基因。
40620编辑于 2023-11-20 - 来自专栏用户7627119的专栏
【R语言】factoextra生成发表级PCA主成分分析图（三）
#首先我们需要安装下面这两个R包 install.packages("factoextra") install.packages("FactoMineR") #加载这两个R包 library(FactoMineR
81820编辑于 2022-09-21 - 来自专栏生信菜鸟团
探索TCGA的临床特征分组——做差异分析前你有没有忘记它
table(n2$prior_malignancy.diagnoses) # no yes #138 13 gp = n2$prior_malignancy.diagnoses library("FactoMineR fish_evaluation_performed_ind) # NO YES # 3 26 122 gp = n2$fish_evaluation_performed_ind library("FactoMineR colnames(n2)) n2 = n2[,-11] #第11列是na groupl = colnames(n2) dat.pca <- PCA(dat , graph = FALSE) library("FactoMineR
2K10编辑于 2022-10-31 - 来自专栏R基础
技能树Day01_R环境配置_直播课day01
biocLite(c("impute")) # 但是接下来的代码又需要运行啦 options()$repos install.packages('WGCNA') install.packages(c("FactoMineR ", "factoextra")) install.packages(c("ggplot2", "pheatmap","ggpubr")) library("FactoMineR") library("
45610编辑于 2024-07-17 - 来自专栏单细胞天地
根据表达矩阵进行分群-1
females_data,file = 'females_hvg_matrix.Rdata') 2.3 6个发育时期RtSNE分析 先是PCA 针对上面的822个HVGs进行操作 female_sub_pca <- FactoMineR 结果进行层次聚类 采用的方法是：Hierarchical Clustering On Principle Components (HCPC) # 使用9个显著主成分重新跑PCA res.pca <- FactoMineR t(females_data), ncp = significant_pcs, graph=FALSE ) # 作者根据经验认为分成4群比较好解释，于是设置4 res.hcpc <- FactoMineR
1.1K20发布于 2020-03-30 - 来自专栏生信技能树-R
R包下载
'ggplot2', 'ggpubr', 'factoextra', 'FactoMineR
47300编辑于 2023-03-28 - 来自专栏Listenlii的生物信息笔记
什么是好的R包
就像之前两篇文章： 分析简单 & 出图优雅的R package —— factoMineR & factoextra R-三种做PCA函数的差异：princomp，prcomp及rda 都是做PCA，R 自带的stats包里包含princomp，prcomp；vegan包里有rda；factoMineR和factoextra这两个包也有分析和可视化的相应函数。
1.8K31发布于 2020-05-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号