一组空气污染数据的主成分分析
全国空气质量分析报告
全国空气质量分析报告根据国家环境保护部门监测到的数据，我们对全国范围内的空气质量进行了分析和评估。
以下是该报告的主要内容。
一、城市空气污染情况：据监测，目前全国城市中，空气污染较为严重的有北京、上海、广州等大城市，其中以北京的PM2.5浓度最高。
这主要是由于工业排放、交通尾气、燃煤等因素导致的。
二、主要污染物分析：1. PM2.5：PM2.5是指直径小于或等于2.5微米的颗粒物，对人体健康有较大的危害。
目前全国范围内PM2.5浓度较高的地区主要是沿海和工业化地区，如上海、广州、深圳等。
各地应采取有效措施减少PM2.5的排放量。
2. 二氧化硫（SO2）：二氧化硫是燃煤和工业生产过程中产生的主要污染物之一。
目前我国东北地区及一些重工业城市的二氧化硫排放量较大，且在冬季还会因为采暖排放量增加而加剧。
各地应加强对工业企业的管理，减少二氧化硫排放。
3. 二氧化氮（NO2）：二氧化氮是交通尾气和工业排放中常见的污染物。
大城市的交通流量大，因此氮氧化物排放量较高。
应采取交通限行、推广电动车等措施减少交通尾气排放。
4. 臭氧（O3）：臭氧是一种重要的空气污染物，夏季臭氧超标的情况较为严重。
这主要是由于夏季高温下光化反应加剧，形成臭氧。
各地应采取减少挥发性有机物和氮氧化物的排放，降低夏季臭氧的产生。
三、影响空气质量的因素：1. 工业活动：工业生产是造成空气污染的主要原因之一。
大量工厂的燃煤和废气排放导致了大气中有害物质的增加。
2. 交通尾气：交通尾气也是导致城市空气污染的重要因素之一。
随着汽车数量的不断增加，交通尾气排放量也随之增加。
3. 燃煤和采暖：我国仍然有大量的居民使用燃煤进行采暖，这导致了大量的二氧化硫和PM2.5的排放。
四、改善空气质量的措施：1. 发展清洁能源：应加大对清洁能源如风能、太阳能的开发和利用，减少对化石燃料的依赖。
2. 加强环保监管：加强环保部门对企业和工厂的监管，确保其排放达到规定标准。
一组空气污染数据的主成分分析
一组空气污染数据的主成分分析空气污染是当前全球面临的一大环境问题，通过了解和分析空气污染数据，可以对空气质量进行评估和预测，并制定相应的污染物控制策略。
在进行空气污染数据分析时，主成分分析（PCA）是一种常用的降维技术，可以帮助我们理解和处理大量的相关变量。
主成分分析是一种无监督学习方法，它寻找数据中的主要成分，通过将原始数据转化为一组新的、互相无关的变量，从而降低数据的维度。
这些新的变量称为主成分，它们是原始变量的线性组合。
主成分按贡献率递减的顺序排列，其中贡献率表示每个主成分对数据方差的解释程度。
在进行主成分分析之前，首先需要收集一组关于空气污染的相关数据。
这些数据可以包括各种污染物的浓度、气象因素、地理位置等。
为了方便分析，通常会对原始数据进行标准化处理，将所有变量的均值调整为零，方差调整为单位。
接下来，可以使用主成分分析算法对标准化后的数据进行处理。
该算法的步骤如下：1.计算协方差矩阵：根据数据的标准化后的矩阵，计算变量之间的协方差。
协方差矩阵描述了变量之间的线性关系。
2.计算特征值和特征向量：通过对协方差矩阵进行特征值分解，可以得到特征值和对应的特征向量。
特征值表示主成分所解释的方差比例，特征向量描述了主成分的方向。
3.选择主成分：选择方差贡献率较高的主成分作为最终的结果。
贡献率可以通过特征值与所有特征值之和的比例来计算。
4.变量权重：特征向量可以用来计算原始变量与主成分之间的权重。
这些权重可以帮助我们理解主成分与原始变量之间的关系。
通过进行主成分分析，我们可以获得以下几点信息：1.主成分的方差贡献率：方差贡献率较高的主成分解释了较大比例的数据方差，这些主成分对于解释原始数据的变异性非常重要。
2.主成分之间的相关性：主成分之间的相关性可以通过计算主成分之间的相关系数来评估。
这有助于识别主要变量之间的关联关系。
3.主成分与原始变量之间的关系：主成分与原始变量之间的权重可以帮助我们理解主成分是如何与原始变量相关联的。
污染物成分分析
污染物成分分析大气污染的化学分析有许多种，如采样、分析方法、仪器分析、工艺流程分析、排放分析、环境管理分析等。
由于各个工厂所排出的污染物种类不同，所以它们排出的污染物在成分上也会存在着差异。
我这里介绍两个案例，让大家更了解这些污染物。
一、某工厂排放到空气中的污染物成分分析1、酸雾该污染物主要为二氧化硫、三氧化硫和一氧化碳等。
工厂污染物主要来自以下几个方面： (1)煅烧窑系统：本次监测数据见表3-2，主要污染物为：so2和sox(浓度最高值达到0.44mg/m3)；(2)空气干燥系统：本次监测数据见表3-3，主要污染物为： so2和sox(浓度最高值达到0.42mg/m3)；(3)造气车间系统：本次监测数据见表3-4，主要污染物为： so2和sox(浓度最高值达到0.44mg/m3)。
二、某工厂排放到空气中的污染物成分分析2、二氧化硫本次监测数据见表3-1，主要污染物为： so2和sox(浓度最高值达到0.18mg/m3)。
通过对本次监测结果进行分析，可得出以下结论：该厂排出的污染物主要为硫酸烟雾，该厂污染物种类为二氧化硫。
硫酸烟雾中硫酸含量较高，二氧化硫含量较低，与污染源类型相符合。
硫酸烟雾中还有一定的其他污染物，如酚、苯并芘等，但在二氧化硫的作用下均被稀释了。
在水泥生产过程中产生的粉尘有50— 80%是二氧化硅，还有约20%是玻璃态氧化钙。
这些粉尘中二氧化硅的含量约占总重量的65%，玻璃态氧化钙占总重量的35%。
二氧化硅是硅酸盐水泥熟料矿物中的主要矿物，氧化钙是硅酸盐水泥熟料矿物中的主要矿物，玻璃态氧化钙是硅酸盐水泥熟料矿物中的副矿物。
因此，对于二氧化硅及氧化钙的监测也很重要。
二氧化硅中含有硅酸盐水泥熟料矿物中的主要矿物，含量为10— 20%，氧化钙中含有硅酸盐水泥熟料矿物中的副矿物，含量为5— 15%。
一、某工厂排放到空气中的污染物成分分析1、酸雾该污染物主要为二氧化硫、三氧化硫和一氧化碳等。
环境空气监测数据分析及处理方法分析
环境空气监测数据分析及处理方法分析近年来，随着环保意识的增强，环境空气质量成为社会关注的焦点之一。
为解决空气污染问题，各级政府和社会组织对环境空气监测数据进行了高强度的分析和处理。
本文将从环境空气监测数据的来源、分析手段和处理方法三方面进行系统阐述。
一、环境空气监测数据的来源环境空气监测数据的来源主要有定点点源排放企业、移动源排放（机动车）、城市居民的燃料燃烧、生物质燃烧等。
由于环境空气监测数据的相关性，通常需要选取与受污染物雷同或相关性较高、排放量较大的源作为数据分析的重点。
例如，在处理机动车污染数据时，应关注车型、发动机排放标准、运行时间、行驶道路区域等因素。
航空业和港口企业和各种工业企业也是空气污染的原因之一，因此对于这些企业，环境部门通常会实施强制性规定，要求企业进行“24小时在线监测”，并将数据集中到环境管理平台。
环境空气监测数据按照不同的污染物进行分类，目前使用的主要分类方式有以下几种：空气污染物组分（NO2、SO2、O3、PM2.5、PM10、CO等）、空气污染事件（雾霾、霾、土石流、沙尘暴等）和大气污染物排放源（点源、线源、面源）。
对于每种污染物或事件，需要不同的分析手段才能更好地分析和处理其数据，具体如下：1. 空气污染物组分分析针对不同的空气污染物组分，常见的分析手段有统计分析、地理信息系统技术、数据挖掘技术。
例如，在统计分析中，通过对空气污染物组分的日均值、周均值和月均值等进行统计，可以掌握污染物排放情况的总体趋势，并分析其污染源。
在地理信息系统技术方面，其主要功能是将监测数据在地图上展示，方便用户获取空气质量的空间分布，以及数据与周边环境特征的相互影响。
在数据挖掘技术方面，其主要目的是通过对数据特征、变量和结果的关系进行深入的挖掘和发现，找出污染源及排放路径等因素对污染物逸散和传播的影响，从而为制定减排政策提供参考。
空气污染事件是环境空气监测数据分析的重要方面之一。
对于不同的污染事件，需要不同的分析手段。
一组空气污染数据的主成分分析
一组空气污染数据的主成分分析一组空气污染数据的主成分分析AppliedMultivariateStatisticalAnalysis(5th Ed).PearsonEducati on,Inc.2003。
我看的是中国统计出版社（ChinaStatisticsPress）2003年发行的影印本。
第一题为原书第1.6题，即第1章的第6题，第二题为原书第8.12题，即第8章的第12题。
第二题用的是第一题的数据。
1习题1.6.ThedatainTable1.5are42measurementsonair-pollutionvariablesrecordedat12:00noonintheLos Angelesareaondifferentdays.(a)Plotthemarginaldotdiagramsforallthevariables.(b)Constructthe x,S n,and R arrays,andinterprettheentriesin R. TABLE1.5AIR-POLLUTIONDATAWind(x1)Solarradiation(x2)CO(x3)NO(x4)NO2(x5)O3(x6)HC(x7)710743953 710343563 1088528154 691428103 8905212124 9847412155 5726421144 7825111113 864521394 6715410337727418103 1070421173 1072418103 977419103 87641773 871531644 967421323 96933953 1062531444 9884276353033523 6835110234 88432763 6784211113 879217103 66243983 103731723 871411073 752411284 54865843103541692 885419102 586316122 5867213182 779749253 77952862 6686211143 84043652 Source8.12.p=7dimensionsifpossible.Conductaprincipalcomponentanal ysisofthedatausingboththecovariancematrix S andthecorrelationmatrix R.WhathaveyoulearnedDoesitmakeanydifferencewhichmatri xischosenforanalysisCanthedatabesummarizedinthreeorfewerdi mensionsCanyouinterprettheprincipalcomponents2部分解答2.1部分统计参数利用Excel计算的平均值（x）和标准差Wind Solarradiation CO NO NO2O Average7.573.857143 4.5476192.190476210.0476199.404 Stdev1.581138817.3353881.23372091.08735743.37098375.565 Excel给出的协方差矩阵SWind Solarradiation CO NO NO2 Wind 2.4404762Solarradiation-2.714286293.36054CO-0.369048 3.81632651.4858277NO-0.452381-1.3537410.6575964 1.154195NO2-0.571429 6.60204082.25963721.062358311.092971 O3-2.17857130.0578232.7545351-0.7913833.0521542 HC0.16666670.60884350.1383220.17233561.0192744 Excel给出相关系数矩阵RWind Solarradiation CO NO NO2 Wind1Solarradiation-0.1014421CO-0.1938030.18279341NO-0.269543-0.0735690.50215251NO2-0.1098250.1157320.55658380.29689811 O3-0.2535930.31912370.4109288-0.1339520.1666422 HC0.15609790.05201040.16603230.23470430.4477678从相关系数矩阵可以看出，CO与NO、NO2相关性明显，O3与Solarradiation、CO相关性明显。
基于主成分分析南京空气污染各成分的关系
基于主成分分析南京空气污染各成分的关系贺永平（东南大学机械工程学院工业工程系，南京211189）摘要：本文根据从南京9个空气环境监测站所得到的空气污染物数据，在空气各成分的相关性指标中，运用主成分分析法，对各个监测样本各个特征性指标进行分类分析后。
结果表明占总方差的79.038%的三个因子来反映空气污染的总体程度，这三个因子归类分别为(1)NO2、O3、O32和SO2。
(2)AQI和O3。
(3)PM10和CO。
有主成分分析法我们可以准确的探讨出空气各污染指数准确的内在关系，为当下我们的环境治理提供一些参考和帮助。
关键字：空气污染；主成分分析；可吸入颗粒。
Analyze the relationship between the components of air pollution in Nanjing based on principal component.heyongping(College of mechanical Engineering, South East University, Nanjing, 211189)Abstract: According to the data of air pollutants in ambient air from Nanjing nine stations obtained in the relevant indicators of each component in the air, using principal component analysis, classification analysis of the characteristics of various monitoring indicators after each sample. The results show that 79.038% of the total variance of the three factors to reflect the overall level of air pollution, these three factors were categorized as (1) NO2, O3, O32 and SO2. (2) AQI and O3. (3) PM10 and CO. We have a principal component analysis can accurately investigate the air pollution index accurately all the intrinsic relationship and help provide some reference to our current environmental governanceKeywords: Air Pollution;principal component analysis;Respirable particulate.1数据本文所提供的数据可以详见南京空气检测站，原始数据见文末附录。
环境污染数据分析报告空气质量和污染源分析
环境污染数据分析报告空气质量和污染源分析环境污染数据分析报告空气质量和污染源分析1. 概述本报告旨在通过对环境污染数据的分析，重点关注空气质量和污染源的情况。
根据收集到的数据，我们将对当前的环境污染状况进行详细分析，并提出相应的建议。
2. 空气质量分析2.1 空气质量指标根据收集到的数据，我们采用了常见的空气质量指标，例如PM2.5、PM10、二氧化硫（SO2）、一氧化碳（CO）、臭氧（O3）等，来评估空气质量。
2.2 空气质量分布图通过对数据的统计和分析，我们制作了空气质量分布图。
结果显示，在本调查中，大部分地区的空气质量良好，但也存在一些地区的空气质量较差，尤其是工业园区和交通干道周边地区。
3. 污染源分析3.1 工业排放根据收集到的数据，我们发现工业排放是主要的污染源之一。
工业企业的废气直接排放和废水排放对周围环境产生了严重的污染。
这些污染物包括颗粒物、二氧化硫、氮氧化物等。
3.2 交通尾气另一个重要的污染源是交通尾气。
汽车和摩托车的尾气排放包含大量的一氧化碳和氮氧化物，对空气质量产生严重影响。
尤其是在拥堵的城市道路和高速公路上，交通尾气排放量更加集中。
3.3 生活废弃物生活废弃物的不正确处理也是导致环境污染的原因之一。
垃圾填埋场和垃圾焚烧对环境产生有害影响。
垃圾填埋场会产生甲烷等温室气体，而垃圾焚烧会释放出大量的有害物质和颗粒物。
4. 建议和措施4.1 加强监管针对工业企业的废气排放和废水排放，政府应加强监管力度，确保企业符合环保标准，严格执行污染物排放限制。
4.2 移交清洁能源在交通领域，政府可以鼓励或要求汽车制造商生产更多的电动汽车，并提供相应的充电设施。
同时，加强公共交通的建设，减少个人汽车使用量。
4.3 垃圾分类和可持续处理加强对居民的宣传教育，提倡垃圾分类，并建立垃圾处理中心，实施可持续的垃圾处理方式，如垃圾分类回收和有机废物堆肥等。
5. 结论通过对环境污染数据的分析，我们发现空气质量和污染源之间存在密切关系。
空气质量报告的主要内容
空气质量报告的主要内容空气质量报告是对某一特定地区或者整体大气环境中空气质量状况进行系统评估和监测的报告。
它主要包括以下几个方面的内容：一、监测数据分析。
空气质量报告的主要内容之一是监测数据的分析。
监测数据是评估空气质量的重要依据，通过对不同污染物浓度、颗粒物大小、臭氧浓度等数据进行分析，可以客观地反映出空气质量的整体状况。
监测数据的分析需要对各项指标进行综合评价，包括空气中的主要污染物浓度、超标情况、季节变化趋势等，以便更好地了解空气质量的变化规律和存在的问题。
二、污染物来源与影响。
空气质量报告还需要对污染物的来源和影响进行详细描述。
污染物的来源包括工业排放、机动车尾气、生活废气等，这些污染物对空气质量造成了不同程度的影响。
通过对不同来源的污染物进行分析，可以找出造成空气污染的主要原因，为制定改善空气质量的措施提供科学依据。
三、健康风险评估。
空气质量报告需要对空气污染对人体健康的影响进行评估。
不良的空气质量会导致呼吸道疾病、心血管疾病等健康问题，因此对于不同污染物的健康风险需要进行科学评估。
通过对不同污染物的健康影响进行分析，可以更好地了解空气污染对人体的危害程度，为公众提供健康防护建议。
四、政策建议与改善措施。
空气质量报告还需要提出相应的政策建议和改善措施。
针对监测数据分析和污染物来源影响的结果，报告应当提出相应的政策建议，包括加强环境监管、减少工业排放、控制机动车尾气排放等方面的措施。
同时，也需要对公众提出相关的改善空气质量的建议，包括减少户外活动、佩戴口罩等个人防护措施。
五、未来发展趋势预测。
最后，空气质量报告还需要对未来发展趋势进行预测。
通过对当前空气质量状况的分析和政策建议的提出，可以预测未来空气质量的发展趋势，包括空气质量的改善程度、政策措施的实施效果等方面的发展趋势。
综上所述，空气质量报告的主要内容包括监测数据分析、污染物来源与影响、健康风险评估、政策建议与改善措施以及未来发展趋势预测。
- 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)。
一组空气污染数据的主成分分析【说明】下面的多元统计分析练习题摘自R.A. Johnson等编写的《应用多元统计分析（第五版）》，原书为：Richard A. Johnson and Dean W. Wichern. Applied Multivariate Statistical Analysis(5th Ed). Pearson Education, Inc. 2003。
我看的是中国统计出版社（China Statistics Press）2003年发行的影印本。
第一题为原书第1.6题，即第1章的第6题，第二题为原书第8.12题，即第8章的第12题。
第二题用的是第一题的数据。
1 习题1.6. The data in Table 1.5 are 42 measurements on air-pollution variables recorded at 12:00 noon in the Los Angeles area on different days.(a)Plot the marginal dot diagrams for all the variables.(b)Construct the x, S n, and R arrays, and interpret the entries in R.TABLE 1.5 AIR-POLLUTION DATAWind (x1)Solarradiation (x2)CO (x3)NO (x4)NO2 (x5)O3 (x6)HC (x7)8 98 7 2 12 8 2 7 107 4 3 9 5 3 7 103 4 3 5 6 3 10 88 5 2 8 15 4 6 91 4 2 8 10 38 90 5 2 12 12 49 84 7 4 12 15 5 5 72 6 4 21 14 47 82 5 1 11 11 38 64 5 2 13 9 4 6 71 5 4 10 3 36 91 4 2 127 37 72 7 4 18 10 3 10 70 4 2 11 7 3 10 72 4 1 8 10 3 9 77 4 1 9 10 3 8 76 4 1 7 7 38 71 5 3 16 4 49 67 4 2 13 2 3 9 69 3 3 9 5 39 88 4 2 7 6 38 80 4 2 13 11 45 30 3 3 5 2 36 83 5 1 10 23 48 84 3 2 7 6 36 78 4 2 11 11 38 79 2 1 7 10 36 62 4 3 9 8 310 37 3 1 7 2 38 71 4 1 10 7 37 52 4 1 12 8 45 486 5 8 4 36 75 4 1 10 24 310 35 4 1 6 9 28 85 4 1 9 10 25 86 3 1 6 12 25 867 2 13 18 27 79 7 4 9 25 37 79 5 2 8 6 26 68 6 2 11 14 38 40 4 3 6 5 2Source: Data courtesy of Professor G.C. Tiao.8.12. Consider the air-pollution data listed in Table 1.5. Your job is to summarize these data in fewer than p=7 dimensions if possible. Conduct a principal component analysis of the data using both the covariance matrix S and the correlation matrix R. What have you learned? Does it make any difference which matrix is chosen for analysis? Can the data be summarized in three or fewer dimensions? Can you interpret the principal components?2 部分解答2.1 部分统计参数利用Excel计算的平均值（x）和标准差Wind Solar radiation CO NO NO2O3HC Average 7.5 73.857143 4.547619 2.1904762 10.047619 9.4047619 3.0952381 Stdev 1.5811388 17.335388 1.2337209 1.0873574 3.3709837 5.5658345 0.6917466Excel给出的协方差矩阵SWindSolarradiation CO NO NO2O3HCWind 2.4404762Solarradiation -2.714286 293.36054CO -0.369048 3.8163265 1.4858277NO -0.452381 -1.353741 0.6575964 1.154195NO2-0.571429 6.6020408 2.2596372 1.0623583 11.092971O3-2.178571 30.057823 2.7545351 -0.791383 3.0521542 30.24093HC 0.1666667 0.6088435 0.138322 0.1723356 1.0192744 0.5804989 0.4671202 Excel给出相关系数矩阵RWind radiation CO NO NO2O3HC Wind 1Solar radiation -0.101442 1CO -0.193803 0.1827934 1NO -0.269543 -0.073569 0.5021525 1NO2-0.109825 0.115732 0.5565838 0.2968981 1O3-0.253593 0.3191237 0.4109288 -0.133952 0.1666422 1从相关系数矩阵可以看出，CO与NO、NO2相关性明显，O3与Solar radiation、CO相关性明显。
后面的主成分分析将CO与NO、NO2归并到一个主成分，将O3与Solar radiation 归并到一个主成分，将HC、Wind归并到一个主成分。
HC与Wind的相关系数并不高，但从正相关的角度看，二者的数值倒是最高的。
方差极大正交旋转之后，HC与CO、NO、NO2归并到一个因子，因为HC与NO2的相关系数较高，与CO、NO的相关系数高于其他变量。
2.2 主成分分析之一——数据未经标准化下面是从相关矩阵R出发，SPSS给出的结果。
原始数据未经标准化。
所谓从R出发，就是在SPSS的Factor Analysis: Extraction—Analysis选项中选中Correlation Matrix。
SPSS给出的相关系数矩阵（Correlation Matrix），与Excel计算的结果一样。
公因子方差（Communalities）表如下。
公因子方差变化于0.544～0.795之间，相差不是很大。
但是，公因子方差值没有达到0.8以上的，可见每一个变量体现在三个主成分中的信息都不超过80%。
特征根与方差贡献（Total Variance Explained）如下表。
可见提取三个主成分可以解释原来7格变量的70.384%。
E i g e n v a l u e主成分载荷矩阵（Component Matrix ）见下表。
将上表从SPSS 中复制到Excel 中，进行涂色分类，结果如下表所示。
主成分分类如下：⏹第一主成分的主要相关变量：CO、NO、NO2。
⏹第二主成分的主要相关变量：Solar radiation、O3。
⏹第三主成分的主要相关变量：Wind、HC。
在主成分载荷图（Component Plot）中，三个变量分别落入三个不同的主成分代表的区域。
主成分得分表如下。
最后一栏对几个典型的样本给出了简单的解释。
注意解释的时候看清主成分载荷矩阵中载荷值的正负号。
2.3 主成分分析之二——数据未经标准化下面是从协方差矩阵S出发，SPSS给出的结果。
原始数据未经标准化。
所谓从S出发，就是在SPSS的Factor Analysis: Extraction—Analysis选项中选中Covariance Matrix。
公因子方差（Communalities）表如下。
在未经处理的（Raw）公因子方差一栏，其Initial 数值都是原始数据的方差。
不过与前面Excel给出的协方差矩阵有所不同，Excel给出的是总体方差，SPSS给出的是抽样方差。
例如以Wind的Initial值为例，2.4404762×42/41=2.5，或者2.5×41/42=2.4404762（对照前面的协方差矩阵）。
重标的（Rescaled）结果是Extraction值与Initial值之比。
公因子方差的合计结果如下：Raw RescaledInitial Extraction Initial ExtractionWIND 2.5 0.0306651 1 0.012266Solar radiation 300.51568 300.13367 1 0.9987288CO 1.5220674 0.0601666 1 0.0395295NO 1.1823461 0.0067502 1 0.0057091NO2 11.363531 0.1790059 1 0.0157527O3 30.978513 3.8459428 1 0.1241487HC 0.4785134 0.0016671 1 0.0034839合计348.54065 304.25786 7 1.1996188特征根与方差贡献（Total Variance Explained）如下表。
在Raw一栏中显示，提取一个主成分似乎可以解释原来7格变量的87.295%。
但重标之后显示的数值却是17.137%。
根据公因子方差表和合计结果，重标之前，全部的方差解释为304.25786/348.54065*100=87.295%；重标之后，全部的方差解释为1.1996188/7*100＝17.137%。
E i g e n v a l u e主成分载荷矩阵（Component Matrix ）见下表。
可以看来，由于变量Solar radiation 的方差很大，它绝对地控制了第一主成分。
2.4 主成分分析之三——数据经过标准化下面是从协方差矩阵S出发，SPSS给出的结果。