PCA 主成分分析

每个点是一个样本；两个样本越近，它们在所有变量上的整体差异越小。轴标题括号里是该主成分解释的总方差比例。

变量单位不同（如浓度与 pH）或量级差异很大时，请勾选「缩放到单位方差」（相关矩阵 PCA）；计数或表达量请先做对数转换。

椭圆是每组得分的 95% 正态置信椭圆（与 ggplot2 stat_ellipse 相同），每组至少 4 个样本才画；它描述组内离散程度，不等于组间检验，组间差异请用 PERMANOVA。

双标图中箭头方向表示变量与两个主成分的关系，箭头越长贡献越大；箭头已整体缩放到得分范围，只看方向与相对长度。

主成分的正负号是任意的（本工具按每个主成分中绝对值最大的载荷取正），与其他软件的图左右或上下翻转属于正常现象。

方法说明

Jolliffe I. T. (2002) Principal Component Analysis, 2nd ed.（Springer）。数值与 scikit-learn PCA 一致（缩放时用 n − 1 标准差）；椭圆为 F 分布半径的正态置信椭圆（Fox & Weisberg 2011）。

数据量

样本或变量最多约 50,000 个（样本 × 变量较大时计算需数秒）。