使用 prcomp 在 R 中进行主成分分析：旋转后的维数减少答案

【问题标题】：Principal component analysis in R with prcomp: Reduced number of dimensions after rotation使用 prcomp 在 R 中进行主成分分析：旋转后的维数减少
【发布时间】：2017-07-19 18:43:19
【问题描述】：

我有一个包含 900 个示例和 3600 个变量的数据集（参见示例 #1）。我使用 prcomp 做了一个 PCA（参见示例 #3）。然后我将它旋转#3。

data <- as.data.frame(replicate(3600, rnorm(900))); #1
pca <- prcomp(data, center = TRUE, scale. = TRUE) ;  #2
rot <- as.matrix(data) %*% pca$rotation; #3

现在 rot 的尺寸是 900x900，但应该是 900x3600。为什么会这样？

最好，托斯滕

【问题讨论】：

标签： r pca

【解决方案1】：

看起来%*% 根据给定的第一个矩阵的行号使矩阵“一致”：

将两个矩阵相乘，如果它们是一致的。如果一个论点是向量，它将被强制转换为行或列矩阵两个参数一致。

例如：

dim(as.matrix(data) %*% pca$rotation) # 900 x 900
dim(pca$rotation %*% as.matrix(data)) # 3600 x 3600

你可以使用transpose（或类似的东西）给它们相同的尺寸：

rot <- as.matrix(data) %*% t(pca$rotation);

【讨论】：

【解决方案2】：

我只需要添加比变量更多的示例，一切正常。 princomp() 实际上是强制用户这样做，但 prcomp() 不是。

最好，托尔斯滕

【讨论】：