什么是主成分分析？
主成分分析（PCA）是一种用于数据降维、特征选择的统计分析方法，目的是减少数据的维度，同时保留尽可能多的信息。找到一个新的坐标系，使得数据在新的坐标系下的方差最大。
PCA结果怎么看呢？
PCA结果图主要由5个部分组成
①第一主成分坐标轴及主成分贡献率主成分贡献率，即每个主成分的方差在这一组变量中的总方差中所占的比例
②纵坐标为第二主成分坐标及主成分贡献率
③分组，图中分为TNBC组和非TNBC组，探究两者之间的关系
④通常为百分之95置信区间，不同的圆圈代表不同分组。样本组之间的分离程度，距离越远，分离越显著。圆圈越紧凑表示数据点在这个主成分上的分布比较集中，反之则越分散
⑤表示样本的点，不同的颜色或形状表示不同的分组情况。样本点之间连线距离短，则样本之间差异性小；反之，样本之间差异大；若圆点在圆圈外，则为离散样本，无统计学意义
主成分分析的作用是什么？
通过观察 PCA 结果，我们可以获得这些信息：
1.数据分布：可以看出数据点在低维空间中的聚集或分散情况，以及是否存在明显的群组或异常值。
2.主成分的解释：根据主成分的方向和重要性，可以对数据中的主要模式和特征进行解释。
3.变量的相对重要性：主成分的权重可以反映原始变量在解释数据差异方面的相对重要性。
END
通过主成分分析（PCA），我们不仅能够直观地了解每个样本的特征，还可以对样本进行聚类，从而观察它们之间的相关性和差异性。
在医学领域，PCA图常常用于疾病危险因素分析、肠道菌群聚类分析、推测肿瘤亚群之间的进化关系等。它还被广泛应用于样本分组、趋势观察和异常数据的剔除，在文献中也有着较高的出现频率。