是否不可能对其变量＃大于个体的数据进行PCA？

Question

我是R的新用户，我尝试使用R在我的数据集上进行PCA。数据的维度为20x10000，即功能数量为10000，个人数量为20.看来prcomp（）不能精确处理数据，因为计算的特征向量和新数据的维数是20x20和10000x20而不是10000x10000和20x10000。我也试过了FactoMineR库，但结果看起来也失去了一些维度。有没有办法像这样对数据做PCA？ ：（

Answer 1

通过阅读手册，默认情况下看起来没有省略任何组件，但检查tol参数。问题在于，当你的案例少于个人时，可能会在那里（通常是）下注负特征值。 （我认为有10000个病例和20个个体，你总会有很多负特征值。）看到PCA的简化版本，我有时会使用它来计算“PC加载”，就像它们在心理学中常用的方式一样。

PCA <- function(X, cut=NULL, USE="complete.obs") {
   if(is.null(cut)) cut<- ncol(X)
   E<-eigen(cor(X,use=USE))
   vec<-E$vectors
   val<-E$values
   P<-sweep(vec,2,sqrt(val),"*")[,1:cut]
   P
   }

“加载”基本上是特征向量乘以特征值的平方根 - 但如果你有负特征值，这里就存在一个问题。 prcomp可能会发生类似情况。

如果您只想完全重建数据矩阵（无论出于何种原因），您可以直接轻松使用svd或eigen。 /我的例子使用了相关矩阵，但逻辑并不局限于这种情况./