主成分分析法例子
主成分分析
主成分分析主成分分析、因子分析等在多元统计分析中属于协方差逼近技术。
主要是从协方差矩阵出发，实现一种正交变换，从而将高维系统表示为低维系统，在此过程中可以揭示研究对象的许多性质和特征。
主成分分析的结果可以用于回归分析、聚类分析、神经网络分析等等。
只要懂得线性代数中二次型化为标准型的原理，就很容易掌握主成分分析的原理，进而掌握因子分析的原理。
在理解正交变换数学原理的基础上，我们可以借助Excel 开展主成分分析。
为了清楚地说明主成分的计算过程，不妨给出一个简单的计算实例。
【例】2000 年中国各地区的城、乡人口的主成分分析。
这个例子只有两个变量（m=2）：城镇人口和乡村人口；31 个样品：即中国的31 个省、自治区和直辖市（n=31）。
资料来自2001 年《中国统计年鉴》，为2000 年全国人口普查快速汇总的11 月1 日零时数。
由于变量太少，这个例子仅仅具有教学意义——简单的实例更容易清楚地展示计算过程的细节。
计算步骤5.1.1 详细的计算过程首先，录入数据，并对数据进行适当处理（图5-1-1）。
计算的详细过程如下。
第一步，将原始数据绘成散点图主成分分析原则上要求部分变量之间具有线性相关趋势。
如果所有变量彼此之间不相关（即正交），则没有必要进行主成分分析，因为主成分分析的目的就是用正交的变量代替原来非正交的变量。
如果原始变量之间为非线性关系，则有必要对数据进行线性转换，否则效果不佳。
从图5-1-2 可见，原始数据具有非线性相关趋势，可以近似匹配幂指数函数，且测定系数R2=0.5157，相应地，相关系数R=0.7181（图5-1-2a）；取对数之后，点列具有明显的线性趋势（图5-1-2b）。
第二步，对数据进行标准化标准化的数学公式为我们将对对数变换后的数据开展主成分分析，因此只对取对数后的数据标准化。
根据图5-1-1所示的数据排列，应该按列标准化，用xij 代表取对数之后的数据，则下式分别为第j 列数据的均值和标准差，xij 为第i 行（即第i 个样本）、第j 列（即第j 个变量）的数据，xij*为相应于xij 的标准化数据，n=31 为样品数目（参见图5-1-1）。
主成分分析经典案例
主成分分析经典案例
主成分分析是一种常用的数据降维和模式识别方法，它可以帮助我们发现数据
中隐藏的结构和模式。
在实际应用中，主成分分析有很多经典案例，下面我们将介绍其中一些。
首先，我们来看一个经典的主成分分析案例，手写数字识别。
在这个案例中，
我们需要识别手写的数字，例如0-9。
我们可以将每个数字的图像表示为一个向量，然后利用主成分分析来找到最能代表数字特征的主成分。
通过这种方法，我们可以将复杂的图像数据降维到较低维度，从而更容易进行分类和识别。
另一个经典案例是面部识别。
在这个案例中，我们需要识别不同人脸的特征。
同样地，我们可以将每个人脸的图像表示为一个向量，然后利用主成分分析来找到最能代表人脸特征的主成分。
通过这种方法，我们可以将复杂的人脸数据降维到较低维度，从而更容易进行人脸识别和验证。
此外，主成分分析还可以应用于金融领域。
例如，在投资组合管理中，我们可
以利用主成分分析来发现不同资产之间的相关性和结构。
通过这种方法，我们可以将复杂的资产数据降维到较低维度，从而更容易进行资产配置和风险管理。
在医学领域，主成分分析也有着重要的应用。
例如，在基因表达数据分析中，
我们可以利用主成分分析来发现不同基因之间的相关性和结构。
通过这种方法，我们可以将复杂的基因表达数据降维到较低维度，从而更容易进行基因分析和疾病诊断。
总之，主成分分析在各个领域都有着重要的应用。
通过发现数据中的主要结构
和模式，主成分分析可以帮助我们更好地理解和利用数据。
希望以上经典案例的介绍能够帮助您更好地理解主成分分析的应用。
主成分分析法
问题分析：问题2主要是找出金属污染的主要原因，首先要找出污染最严重的金属，结合问题1的求解，我们通过主成分分析法对各种金属污染的严重性进行了判定主成分分析法：重金属对人体的危害由金属元素的化学性质决定，根据十余项指标和九项参数对重金属的潜在毒性进行分类和排序，考评指标和参数如下：电离势、熔点、沸点、熔化热、汽化热、电化当量、结合能、离子半径、密度、电荷离子半径比、氧化性、离子奇偶性、挥发性。
结论如下：重金属潜在毒性排行榜：毒性大：Hg汞〉Cd镉〉Tl铊〉Pb铅〉Cr铬〉In铟〉Sn锡毒性中等：Ag银〉Sb锑〉Zn锌〉Mn锰〉Au金〉Cu铜〉Pr镨〉Ce 铈〉Co钴〉Pd钯〉Ni镍〉V钒〉Os锇〉Lu镥〉Pt铂〉Bi铋〉Yb镱〉Eu铕〉Ga镓〉Fe铁〉Sc钪〉Al铝〉Ti钛〉Ge锗〉Rh铑〉Zr锆毒性较小：Hf铪〉Ru钌〉Ir铱〉Tc锝〉Mo钼〉Nb铌〉Ta钽〉Re铼〉W钨〉Tm铥〉Dy镝〉Nd钕〉Er铒〉Ho钬〉Gd钆〉Tb铽〉La镧〉Y钇砷：一种三价和五价的非金属元素,旧称“砒”。
通常呈金属的铁灰色,结晶形,性脆。
砷常小量地被掺入合金(如用于制造子弹的砷-铅合金),其化合物主要用于制造毒剂(如杀虫剂)、药物和玻璃 [arsenic]——元素符号As由于砷是一种非金属元素，所以在重金属毒性排行榜中没有这个元素但是它的毒性却很强，仅次于汞，我们将它放到了第二位。
Hg>As>Cd>Pb>Cr>Zn>Cu>Ni我们采用主成分分析法来验证我们的猜测：X1、X2、X3、X4、X5、X6、X7、X8分别表示：Hg、As、Cd、Pb、Cr、Zn、Cu、NiZ:标准化矩阵x：采样值x：均值s：标准差R:相关性矩阵：特征值p:维度2s：方差1、对原始指标数据的标准化采集p 维随机向量x =X1,X2,...,X pp（p=8）个影响因素测量值x i = (x i1,x i2,...,x ip)T，i=1,2,…,n 构造样本阵，对样本阵元进行如下标准化变换：计算样本的均值：1nijijx xn==∑计算方差：2 21()1nij jijx x sn=-=-∑得标准化矩阵Z通过MATLAB计算出标准化矩阵Z=zscore(A)见附录12、对标准化阵Z 求相关系数矩阵其中,通过MATLAB计算出相关系数化矩阵R=corrcoef(A)见附录23、解样本相关矩阵R 的特征方程得p 个特征根,确定主成分按 确定m 值，使信息的利用率达85%以上，对每个λj ,j=1,2,...,m, 解方程组Rb = λj 得单位特征向量1b 、2b 、3b ……8b贡献率i V ：1(1,2,,)ii pkk V i p λλ===∑累计贡献率i Q ：11(1,2,,)ikk i pkk Q i p λλ====∑∑i Q =1ni i V =∑ n=1、2、3 (8)通过MATLAB 计算出特征向量，主成分贡献率，见附录3 [COEFF,LATENT,EXPLATNED]=pcacov(R) 表1因子分析结果以85%作为界限，从表1中可以看出只要取四个因子就足够了。
主成分分析实例和含义讲解
• 这x文6来个）表表，示说hism明toa六rtyh（个（历变数史量学）和），因，e子pnhg的ylis关s（h（系物英。理语为））简，等单ch变记em量，（。我化这们学样用）因x1，,子xli2ft,1e和xr3a,ft2x（与4,语这x5, 些原变量之间的关系是（注意，和主成分分析不同，这里把成分（因
• 主成分分析与因子分析的公式上的区别
y1 a11x1 a12 x2 a1 p x p y2 a21x1 a22 x2 a2 p x p
y p a p1x1 a p2 x2 a pp xp
主成分分析
x1 a11 f1 a12 f2 a1m fm 1 x2 a21 f1 a22 f2 a2m fm 2
2 .353
3 -.040
4 .468
5 .021
6 .068
PHYS
-.674
.531 -.454 -.240 -.001 -.006
CHEM
-.675
.513
.499 -.181
.002
.003
LITERAT .893
.306 -.004 -.037
.077
.320
HISTORY .825
.435
子）写在方程的右边，把原变量写在左边；但相应的系数还是主成分 和各个变量的线性相关系数，也称为因子载荷）：
x1 -0 .3 8 7 f1 0 .7 9 0 f2; x2 -0 .1 7 2 f1 0 .8 4 1 f2 ; x3 -0 .1 8 4 f1 0 .8 2 7 f2 x4 0 .8 7 9 f1 - 0 .3 4 3 f2; x5 0 .9 1 1 f1 - 0 .2 0 1 f2; x6 0 .9 1 3 f1 - 0 .2 1 6 f2
主成分分析法的原理应用及计算步骤
主成分分析法的原理应用及计算步骤1.计算协方差矩阵：首先，我们需要将原始数据进行标准化处理，即使每个特征都有零均值和单位方差。
假设我们有m个n维样本，数据集为X，标准化后的数据集为Z。
那么，计算协方差矩阵的公式如下：Cov(Z) = (1/m) * Z^T * Z其中，Z^T为Z的转置。
2.计算特征向量：通过对协方差矩阵进行特征值分解，可以得到特征值和特征向量。
特征值表示了新坐标系中每个特征的重要性程度，特征向量则表示了数据在新坐标系中的方向。
将协方差矩阵记为C，特征值记为λ1, λ2, ..., λn，特征向量记为v1, v2, ..., vn，那么特征值分解的公式如下：C*v=λ*v计算得到的特征向量按特征值的大小进行排序，从大到小排列。
3.选择主成分：从特征向量中选择与前k个最大特征值对应的特征向量作为主成分，即新坐标系的基向量。
这些主成分可以解释原始数据中大部分的方差。
我们可以通过设定一个阈值或者看特征值与总特征值之和的比例来确定保留的主成分个数。
4.映射数据：对于一个n维的原始数据样本x，通过将其投影到前k个主成分上，可以得到一个k维的新样本，使得新样本的方差最大化。
新样本的计算公式如下：y=W*x其中，y为新样本，W为特征向量矩阵，x为原始数据样本。
PCA的应用：1.数据降维：PCA可以通过主成分的选择，将高维数据降低到低维空间中，减少数据的复杂性和冗余性，提高计算效率。
2.特征提取：PCA可以通过寻找数据中的最相关的特征，提取出主要的信息，从而减小噪声的影响。
3.数据可视化：通过将数据映射到二维或三维空间中，PCA可以帮助我们更好地理解和解释数据。
总结：主成分分析是一种常用的数据降维方法，它通过投影数据到一个新的坐标系中，使得投影后的数据具有最大的方差。
通过计算协方差矩阵和特征向量，我们可以得到主成分，并将原始数据映射到新的坐标系中。
PCA 在数据降维、特征提取和数据可视化等方面有着广泛的应用。
主成分分析杨
var(Z i
),i
1,2,...,
p达到最
大的单位向量。且可计算
var(Z ) ,i 1,2,..., p
i
i
总体主成分的性质
（3）主成分组成的随机向量记为：
Z (Z , Z ,..., Z )T
1
2
3
则
Z AT X
其中
A (a )
即A为特征向量
aij 1
,
p
1
p
k
p
p
p
总体主成分的性质
（5）因子载荷矩阵各行之平方和：
p
2 (Zk , Xi ) 1,i 1,2,..., p
k 1
（6）因子载荷矩阵各列之加权平方和：
p
ii
2
(Z k
,
X i
)
k
,k
1,2,...,
p
i1
另一种贡献率
前m个主成分对某原始变量 X 的贡献率： i
1
2
p
总体主成分的性质
（1）主成分之间不相关。可计算
cov(Z , Z ) cov(aT X , aT X ) aT cov( X , X )a
i
j
i
j
i
j
aT D(X )a aT a aT a
i
j
i
j
i jj
aT a 0,(i j时) ji j
（2）ai是使
一般向量的协方差矩阵
设 X ( X , X ,..., X )T是一个随机向量，若
1
2
p
主成分分析法
主成分分析法1. 主成份分析：主成份分析是最经典的基于线性分类的分类系统。
这个分类系统的最⼤特点就是利⽤线性拟合的思路把分布在多个维度的⾼维数据投射到⼏个轴上。
如果每个样本只有两个数据变量，这种拟合就是其中和分别是样本的两个变量，⽽和则被称为loading,计算出的P值就被称为主成份。
实际上，当⼀个样本只有两个变量的时候，主成份分析本质上就是做⼀个线性回归。
公式本质上就是⼀条直线。
插⼊⼀幅图（主成份坐标旋转图，来⾃：PLS⼯具箱参考⼿册）如果⼀个样本有n个变量，那主成份就变为：其中PC1 称为第⼀主成份，⽽且，我们还可以获得⼀系列与PC这个直线正交的其它轴，如：被称为第⼆主成份以此类推，若令，此时向量A称为主成份的载荷(loading)，计算出的主成份的值PC称为得分(score)。
1. 主成份分析举例作为⼀个典型的降维⽅法，主成份分析在数据降维⽅⾯⾮常有⽤,⽽且也是所有线性降维⽅法的基础。
很多时候，如果我们拿着⼀个⾮常复杂的数据不知所措的话，可以先考虑⽤主成份分析的⽅法对其进⾏分解，找出数据当中的种种趋势。
在这⾥，我们利⽤数据挖掘研究当中⾮常常见的⼀个数据集对主成份分析的使⽤举例如下：1996年，美国时代周刊（Times）发表了⼀篇关于酒类消费，⼼脏病发病率和平均预期寿命之间关系的科普⽂章，当中提到了10个国家的烈酒，葡萄酒和啤酒的⼈均消费量（升/年）与⼈均预期寿命（年）⼀级⼼脏病发病率（百万⼈/年）的数据，这些数据单位不⼀，⽽且数据与数据之间仅有间接关系。
因此直接相关分析不能获得重要且有趣的结果。
另外⼀⽅⾯，总共只有10个国家作为样本，各种常见的抽样和假设检验在这⽅⾯也没有⽤武之地，我们看看⽤何种⽅法能够从这个简单的数据表中获得重要知识作为数据挖掘的第⼀步，⾸先应该观察数据的总体分布情况。
⽆论是EXCEL软件，还是R语⾔，我们都能够很⽅便的从下表中获得表征数据分布的条形图。
从图中可以看出，总共10个国家，有5类数据，由于各类数据性质各不相同，因此数值上⼤⼩也很不相同。
主成分分析法概念及例题
主成分分析法主成分分析（principal components analysis，PCA）又称：主分量分析，主成分回归分析法目录[显示]1 什么是主成分分析法2 主成分分析的基本思想3 主成分分析法的基本原理4 主成分分析的主要作用5 主成分分析法的计算步骤6 主成分分析法的应用分析o案例一：主成分分析法在啤酒风味评价分析中的应用[1]1 材料与方法2 主成分分析法的基本原理3 主成分分析法在啤酒质量一致性评价中的应用4 结论7 参考文献[编辑]什么是主成分分析法主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。
主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分，忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是，这也不是一定的，要视具体应用而定。
[编辑]主成分分析的基本思想在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。
这些涉及的因素一般称为指标，在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。
主成分分析正是适应这一要求产生的，是解决这类题的理想工具。
同样，在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
从以上的分析可以看出，主成分分析的 实质就是确定原来变量xj（j=1，2 ，…， p） 在诸主成分zi（i=1，2，…，m）上的载荷 lij （ i=1，2，…，m； j=1，2 ，…，p）。 从数学上可以证明，载荷lij分别是相关 矩阵的m个较大的特征值所对应的特征向量。
（一）计算相关系数矩阵
主成分分析（PCA） 具体例子
PCA的基本原理 PCA的计算步骤 PCA应用实例
秦楠
一、主成分分析的基本原理
假定有n个样本，每个样本共有p个变量， 构成一个n×p阶的数据矩阵
x11 x 21 X xn 1 x12 x22 xn 2 x1 p x2 p xnp
8.128 8.135 18.352 16.861 18.279 19.793 4.005 9.11 19.409 11.102 4.383 10.706 11.419 9.521 18.106 26.724
4.065 4.063 2.645 5.176 5.643 4.881 4.066 4.484 5.721 3.133 4.615 6.053 6.442 7.881 5.789 7.162
1540.29 926.35 1501.24 897.36 911.24 103.52 968.33 957.14 824.37 1255.42 1251.03 1246.47 814.21 1124.05 805.67 1313.11
216.39 291.52 225.25 196.37 226.51 217.09 181.38 194.04 188.09 211.55 220.91 242.16 193.46 228.44 175.23 236.29
（6）
三、 主成分分析方法应用实例
表1 某农业生态经济系统各区域单元的有关数据
x 4 ：农 x 5 ：人 民人均 均粮食 纯收入 产量 (kg/ (元/人) 人) 192.11 295.34 1752.35 1181.54 1436.12 1405.09 452.26 270.12 354.26 586.59 x 6 ：经济 x 7 ：耕地 x 8 ：果 x 9 ：灌溉 作物占农 占土地面 园与林 田占耕地 作物播面 积比率 地面积 面积之比 比例(％) (％) 之比 (％) 26.724 18.492 2.231 26.262 32.314 18.266 17.486 40.683 14.464 0.162 11.805 14.401 1.455 7.474 1.892 0.303 27.066 12.489 17.534 22.932
特征值 4.661 2.089 1.043 0.507 0.315 0.193 0.114 0.0453 0.0315
（3）对于特征值=4.6610，=2.0890， =1.0430分别求出其特征向量l1，l2，l3。
表4
主成分载荷
占方差的百分数 （%） 82.918 80.191 92.948 75.346 85.811 71.843 95.118 98.971 92.939
z1 x1 x2 x3 x4 x5 x6 x7 x8 x9 0.739 0.123 -0.964 0.0042 0.813 0.819 0.933 0.197 0.964
z2 -0.532 0.887 0.0096 0.868 0.444 0.179 -0.133 -0.1 -0.0025
z3 -0.0061 -0.0028 0.0095 0.0037 -0.0011 0.125 -0.251 0.97 0.0092
-0.327 -0.714 -0.336 -0.035 0.644 1 0.07 -0.74 -0.93 0.07 1 0.383 -0.046
0.009 -0.078 -0.93 -0.109 -0.05 -0.031 0.672 0.658 1 -0.03 0.89 0.098 0.222 -0.03 1 0.29
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
68.337 95.416 62.901 86.624 91.394 76.912 51.274 68.831 77.301 76.948 99.265 118.505 141.473 137.761 117.612 122.781
k ห้องสมุดไป่ตู้1
n
ki
xi )(xkj x j )
2
(x
k 1
n
ki
xi )
(x
k 1
n
kj
x j )2
（4）
（二）计算特征值与特征向量：
① 解特征方程 I R 0 ，求出特征值，并 使其按大小顺序排列 ；
1 2 , p 0
② 分别求出对应于特征值 i的特征向量
① zi与zj（ i≠j；i，j=1，2，…，m ）相互无关； ② z1是x1，x2，…，xP的一切线性组合中方差最大者，z2是与
z1不相关的x1，x2，…，xP的所有线性组合中方差最大者； …… zm是与z1，z2，……，zm－1都不相关的x1，x2，…xP， 的所有 线性组合中方差最大者。 则新变量指标z1，z2，…，zm分别称为原变量指标x1，x2，…， xP的第一，第二，…，第m主成分。
-0.71 -0.035
0.255 -0.755 0.069
0.156 -0.078 -0.109 -0.031 0.094 -0.924 0.073
（2）由相关系数矩阵计算特征值，以及各 个主成分的贡献率与累计贡献率（见表3）。 由表3可知，第一，第二，第三主成分的累 计贡献率已高达86.596%（大于85%），故 只需要求出第一、第二、第三主成分z1，z2， z3即可。
x 1 ：人 x 2 ：人 样本 口密度 均耕地 序号 (人 面积 2 /km ) (ha) 1 363.91 0.352 2 3 4 5 141.5 100.7 143.74 131.41 1.684 1.067 1.336 1.623
x 3 ：森 林覆盖 率(%) 16.101 24.301 65.601 33.205 16.607
步骤如下： （1）将表1中的数据作标准差标准化处理， 然后将它们代入公式（4）计算相关系数矩阵 （见表2）。
表2
x1 x1 x2 x3 x4 x5 x6 x7 x8 x9 1 -0.33 -0.34 0.309 0.408 0.79 0.744 x2 1 0.644 0.42 0.009 x3
相关系数矩阵
z1 l11 x1 l12 x 2 l1 p x p z 2 l 21 x1 l 22 x 2 l 2 p x p z m l m1 x1 l m 2 x 2 l mp x p
(2)
系数lij的确定原则：
上述计算过程，可以借助于SPSS软件系统实现。
分析： ①第一主成分z1与x1，x5，x6，x7，x9呈显出 较强的正相关，与x3呈显出较强的负相关， 而这几个变量则综合反映了生态经济结构 状况，因此可以认为第一主成分z1是生态 经济结构的代表。 ②第二主成分z2与x2，x4，x5呈显出较强的 正相关，与x1呈显出较强的负相关，其中， 除了x1为人口总数外，x2，x4，x5都反映了 人均占有资源量的情况，因此可以认为第 二主成分z2代表了人均资源量。
x4 x5 0.309 0.42 -0.74 0.383 1 0.734 0.672 0.098 0.747 x6 0.408 0.255 -0.755 0.069 0.734 1 0.658 0.222 0.707 x7 0.79 x8 0.156 x9 0.744 0.094 -0.924 0.073 0.747 0.707 0.89 0.29 1
r11 r 21 R r p1 r12 r22 rp 2 r1 p r2 p r pp
二、计算步骤
（3）
rij（i，j=1，2，…，p）为原变量xi与xj的相关系数， rij=rji， 其计算公式为：
rij
(x
k
一般取累计贡献率达85—95%的特征值 1 , 2 ,, m 所对应的第一、第二、…、第m（m≤p）个主成分。
④各主成分的得分
l11 l 21 Z ln1
l12 l1 p x1 l22 l2 p x2 . ln 2 lnp x p
2.032 0.801 1.652 0.841 0.812 0.858 1.041 0.836 0.623 1.022 0.654 0.661 0.737 0.598 1.245 0.731
76.204 71.106 73.307 68.904 66.502 50.302 64.609 62.804 60.102 68.001 60.702 63.304 54.206 55.901 54.503 49.102
0.011 0.012 0.034 0.055 0.076 0.001 0.015 0.002 5.055 0.01 0.011 0.154 0.012 0.069 0.048 0.092
4.861 4.862 3.201 6.167 4.477 6.165 5.402 5.79 8.413 3.425 5.593 8.701 12.945 12.654 8.461 10.078
表3
主成分 z1 z2 z3 z4 z5 z6 z7 z8 z9
特征值及主成分贡献率
贡献率(%) 51.791 23.216 11.589 5.638 3.502 2.14 1.271 0.504 0.35 累积贡献率(%) 51.791 75.007 86.596 92.234 95.736 97.876 99.147 99.65 100