https://www.cnblogs.com/jin-liang/p/9064020.html

数据的导入

> data=read.csv('F:/R语言工作空间/pca/data.csv') #数据的导入

>

> ls(data) #ls()函数列出所有变量

[1] "X" "不良贷款率" "存贷款比率" "存款增长率" "贷款增长率" "流动比率" "收入利润率"

[8] "资本充足率" "资本利润率" "资产利润率"

> dim(data) # 维度

[1] 15 10

一.数据标准化

> std_data=scale(data[2:10])  #数据标准化

>

> rownames(std_data)=data[[1]]  #数组各行名字定义为数据文件的的第一列

>

> class(std_data)   #查看数据类型

[1] "matrix"

> df=as.data.frame(std_data)   #转化为数据框

> class(df)

[1] "data.frame"

习惯数据框格式

数据标准化

> std_data=scale(data[2:10])  #数据标准化

>

> rownames(std_data)=data[[1]]  #数组各行名字定义为数据文件的的第一列

>

> class(std_data)   #查看数据类型

[1] "matrix"

> df=as.data.frame(std_data)   #转化为数据框

> class(df)

[1] "data.frame"

二.主成分分析结果

> df.pr=princomp(df,cor=TRUE) #主成分分析

> summary(df.pr,loadings=TRUE)  #列出结果 包含特征向量<br>

Importance of components:

                       Comp.1 Comp.2 Comp.3 Comp.4  Comp.5  Comp.6 Comp.7   Comp.8   Comp.9

Standard deviation     1.8895 1.3087 1.2365 0.9593 0.86553 0.46727 0.4168 0.293547 0.201641

Proportion of Variance 0.3967 0.1903 0.1699 0.1023 0.08324 0.02426 0.0193 0.009574 0.004518

Cumulative Proportion  0.3967 0.5870 0.7569 0.8591 0.94235 0.96661 0.9859 0.995482 1.000000

Loadings:

           Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 Comp.7 Comp.8 Comp.9

不良贷款率  0.425         0.188  0.288  0.423  0.173  0.695

资本充足率 -0.359        -0.521         0.234  0.546  0.127 -0.214 -0.426

存贷款比率  0.301  0.532 -0.142        -0.370 -0.324  0.248 -0.320 -0.438

流动比率   -0.192  0.429 -0.416  0.439  0.306 -0.384 -0.113         0.399

资产利润率 -0.392  0.332        -0.438 -0.178         0.452  0.494  0.238

资本利润率 -0.413 -0.185  0.259 -0.103  0.428 -0.562  0.167        -0.436

收入利润率 -0.299 -0.455 -0.116  0.299 -0.481 -0.159  0.432 -0.329  0.221

存款增长率 -0.243  0.249  0.387  0.636 -0.282  0.171         0.336 -0.309

贷款增长率 -0.300  0.342  0.518 -0.127  0.101  0.214        -0.620  0.260

　　结果比较杂乱，接下来确定主成分个数

三.确定主因子个数

根据累计贡献率大于90%，确定

计算相关系数矩阵

> cor(df)  #相关系数矩阵

           不良贷款率 资本充足率 存贷款比率 流动比率 资产利润率 资本利润率 收入利润率 存款增长率

不良贷款率     1.0000   -0.57238    0.31761 -0.20055   -0.70121   -0.45662   -0.53825   -0.16790

资本充足率    -0.5724    1.00000   -0.33566  0.61749    0.51053    0.32931    0.37424    0.01208

存贷款比率     0.3176   -0.33566    1.00000  0.16576   -0.02387   -0.72464   -0.56974   -0.11599

流动比率      -0.2005    0.61749    0.16576  1.00000    0.31280    0.07588   -0.03629    0.27787

资产利润率    -0.7012    0.51053   -0.02387  0.31280    1.00000    0.44019    0.13002    0.24387

资本利润率    -0.4566    0.32931   -0.72464  0.07588    0.44019    1.00000    0.38484    0.26496

收入利润率    -0.5383    0.37424   -0.56974 -0.03629    0.13002    0.38484    1.00000    0.24963

存款增长率    -0.1679    0.01208   -0.11599  0.27787    0.24387    0.26496    0.24963    1.00000

贷款增长率    -0.2863    0.03398   -0.14413  0.08791    0.59245    0.55095   -0.09947    0.60455

           贷款增长率

不良贷款率   -0.28628

资本充足率    0.03398

存贷款比率   -0.14413

流动比率      0.08791

资产利润率    0.59245

资本利润率    0.55095

收入利润率   -0.09947

存款增长率    0.60455

贷款增长率    1.00000

　　求特征值和特征向量

>y=eigen(cor(df)) #求出cor(df)的特征值和特征向量

> y$values#输出特征值

[1] 3.57008 1.71263 1.52895 0.92033 0.74914 0.21834 0.17370 0.08617 0.04066

　　输出前五个累计贡献率

> sum(y$values[1:5])/sum(y$values)   #求前5个主成分的累计方差贡献率

[1] 0.9423

　　输出前5个主成分的载荷矩阵

> df.pr$loadings[,1:5]#输出前5个主成分的载荷矩阵

            Comp.1   Comp.2   Comp.3   Comp.4  Comp.5

不良贷款率  0.4245  0.03196  0.18753  0.28824  0.4226

资本充足率 -0.3595  0.02955 -0.52091  0.04673  0.2341

存贷款比率  0.3013  0.53170 -0.14155 -0.09645 -0.3697

流动比率   -0.1923  0.42903 -0.41595  0.43880  0.3061

资产利润率 -0.3916  0.33239 -0.04543 -0.43786 -0.1780

资本利润率 -0.4134 -0.18527  0.25918 -0.10322  0.4280

收入利润率 -0.2990 -0.45539 -0.11566  0.29949 -0.4810

存款增长率 -0.2432  0.24926  0.38706  0.63621 -0.2824

贷款增长率 -0.3000  0.34207  0.51768 -0.12671  0.1011

　　画出碎石图

screeplot(df.pr,type='lines')  #画出碎石图

　　

画出散点图

biplot(df.pr)     #画出主成分散点图

　　

四.获取相关系数矩阵的特征值和特征向量

> y=eigen(cor(df)) #求出cor(df)的特征值和特征向量

> y$values#输出特征值

[1] 3.57008 1.71263 1.52895 0.92033 0.74914 0.21834 0.17370 0.08617 0.04066

五.计算主成分总得分

> s=df.pr$scores[,1:5]#输出前5个主成分的得分

> #s[,1]

> #计算综合得分

>

> scores=0.0

> for (i in 1:5)

   scores=(y$values[i]*s[,i])/(sum(y$values[1:5]))+scores

>

>

> cbind(s,scores)#输出综合得分信息

                          Comp.1  Comp.2    Comp.3   Comp.4  Comp.5   scores

北京农商银行             -0.9927 -0.4565 -0.773341  0.72371  0.5357 -0.52362

上海农商银行              0.5461 -0.4069  0.228600 -0.05691 -1.1411  0.08196

广州农商银行             -1.7680 -0.5058  0.091704  0.46582  0.4301 -0.74130

天津农商银行              0.8670 -1.0680 -0.118665 -1.13960 -0.2242 -0.01556

（宁波）慈溪农村商业银行 -0.9713  2.0909 -2.590721  0.44416  0.7692 -0.33751

江阴农商银行              0.6533  0.3486 -1.678249  0.47363 -0.4051  0.05848

成都农商银行             -2.5372 -3.2477  0.008494  0.24227  1.2955 -1.58158

重庆农村商业银行         -1.0099 -0.1061  1.753280  0.23145 -0.6871 -0.16602

（宁夏）黄河农村商业银行 -0.5903  0.7269  1.227349  0.59878 -1.1312  0.08463

（陕西）旬阳农村商业银行  0.1928  1.7666 -0.273642 -1.29087  0.7258  0.31262

太仓农村商业银行          3.1937 -1.4905 -1.089861 -1.17931 -0.6266  0.66358

武汉农村商业银行         -0.8349  0.1686 -0.119553 -1.63283 -0.4856 -0.55902

安徽合肥科技农商银行     -0.2713  0.3084 -0.273867  1.79049 -1.2170 -0.01448

福州农商银行             -1.5557  1.6844  2.185117 -0.80662  0.7243  0.05566

沈阳农商银行              5.0781  0.1871  1.423354  1.13584  1.4374  2.68217

　　

【转】R语言主成分分析（PCA）的更多相关文章

  1. R语言主成分分析（PCA）

    数据的导入 > data=read.csv('F:/R语言工作空间/pca/data.csv') #数据的导入> > ls(data) #ls()函数列出所有变量 [1] " ...

  2. R语言-主成分分析

    1.PCA 使用场景:主成分分析是一种数据降维,可以将大量的相关变量转换成一组很少的不相关的变量,这些无关变量称为主成分 步骤: 数据预处理(保证数据中没有缺失值) 选择因子模型(判断是PCA还是EF ...

  3. 主成分分析（PCA）原理及R语言实现

    原理: 主成分分析 - stanford 主成分分析法 - 智库 主成分分析(Principal Component Analysis)原理 主成分分析及R语言案例 - 文库 主成分分析法的原理应用及 ...

  4. 主成分分析（PCA）原理及R语言实现 | dimension reduction降维

    如果你的职业定位是数据分析师/计算生物学家,那么不懂PCA.t-SNE的原理就说不过去了吧.跑通软件没什么了不起的,网上那么多教程,copy一下就会.关键是要懂其数学原理,理解算法的假设,适合解决什么 ...

  5. PCA主成分分析 R语言

    1. PCA优缺点 利用PCA达到降维目的,避免高维灾难. PCA把所有样本当作一个整体处理,忽略了类别属性,所以其丢掉的某些属性可能正好包含了重要的分类信息 2. PCA原理 条件1:给定一个m*n ...

  6. 主成分分析、实例及R语言原理实现

    欢迎批评指正! 主成分分析(principal component analysis,PCA) 一.几何的角度理解PCA -- 举例:将原来的三维空间投影到方差最大且线性无关的两个方向(二维空间). ...

  7. R: 主成分分析 ~ PCA(Principal Component Analysis)

    本文摘自:http://www.cnblogs.com/longzhongren/p/4300593.html 以表感谢. 综述: 主成分分析 因子分析 典型相关分析,三种方法的共同点主要是用来对数据 ...

  8. R语言 PCA

    1.关键点 综述:主成分分析 因子分析 典型相关分析,三种方法的共同点主要是用来对数据降维处理的从数据中提取某些公共部分,然后对这些公共部分进行分析和处理. #主成分分析 是将多指标化为少数几个综合指 ...

  9. 主成分分析PCA的前世今生

    这篇博客会以攻略形式介绍PCA在前世今生. 其实,主成分分析知识一种分析算法,他的前生:应用场景:后世:输出结果的去向,在网上的博客都没有详细的提示.这里,我将从应用场景开始,介绍到得出PCA结果后, ...

随机推荐

  1. 牛客网Sql

    牛客网Sql: 1.查询最晚入职的员工信息  select * from employees where hire_date =(select max(hire_date) from employee ...

  2. 新手如何配置 Chromedriver 环境变量

    有一个不错的链接:https://blog.csdn.net/qq_41429288/article/details/80472064

  3. 模块学习-time,datetime模块

    1 time.timezone #以秒为单位显示时区 >>> import time >>> time.timezone -28800 北京为东八区,所以为-288 ...

  4. 名称空间using namespace std

    写再最前面:摘录于柳神的笔记 虽然C++是一门面向对象语言,但是对于刷算法这件事而言,我们并不需要掌握它⾯向对象的部分-只 需要掌握刷算法的时候需要用到的部分(基本输⼊输出.STL标准模板库. str ...

  5. 【PAT甲级】1013 Battle Over Cities (25 分)（并查集，简单联通图）

    题意: 输入三个整数N,M,K(N<=1000,第四个数据1e5<=M<=1e6).有1~N个城市,M条高速公路,K次询问,每次询问输入一个被敌军占领的城市,所有和该城市相连的高速公 ...

  6. jsp页面展示更加商品的分类，控制商品的显示

    我的大概思路是这样的,第一后果获取所有的商品分类 保存在list集合里面,第二从后台获取所有的商品 第三在JSP页面遍历商品分类集合放在页面的左边,然后jsp页面商品详细信息这块,也得先遍历商品分类, ...

  7. mysql如何查看表的索引以及如何删除表的索引

    mysql中如何查看和删除唯一索引. 查看唯一索引: show index from mytable;//mytable 是表名 查询结果如下: 查询到唯一索引后,如何删除唯一索引呢,使用如下命令: ...

  8. Melodic 使用URDF创建简单的机器人模型

    本人Linux版本:Ubuntu 18.04LTS ROS版本:Melodic URDF代码 <?xml version="1.0" ?> <robot name ...

  9. nrm 源管理器

    什么是nrm nrm 是一个 npm 源管理器,允许你快速地在 npm 源间切换. 安装nrm 在命令行执行命令,npm install -g nrm,全局安装nrm. 使用 执行命令nrm ls查看 ...

  10. Java集合--线程安全(CopyOnWrite机制)

    5 Java并发集合 5.1 引言 在前几章中,我们介绍了Java集合的内容,具体包括ArrayList.HashSet.HashMap.ArrayQueue等实现类. 不知道各位有没有发现,上述集合 ...