1. 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

  1.  

一.数据标准化

  1. > std_data=scale(data[2:10])  #数据标准化
  2. >
  3. > rownames(std_data)=data[[1]]  #数组各行名字定义为数据文件的的第一列
  4. >
  5. > class(std_data)   #查看数据类型
  6. [1] "matrix"
  7. > df=as.data.frame(std_data)   #转化为数据框
  8. > class(df)
  9. [1] "data.frame"

习惯数据框格式

数据标准化

  1. > std_data=scale(data[2:10])  #数据标准化
  2. >
  3. > rownames(std_data)=data[[1]]  #数组各行名字定义为数据文件的的第一列
  4. >
  5. > class(std_data)   #查看数据类型
  6. [1] "matrix"
  7. > df=as.data.frame(std_data)   #转化为数据框
  8. > class(df)
  9. [1] "data.frame"

　　

二.主成分分析结果

  1. > df.pr=princomp(df,cor=TRUE) #主成分分析
  2. > summary(df.pr,loadings=TRUE)  #列出结果 包含特征向量
  3. Importance of components:
  4.                        Comp.1 Comp.2 Comp.3 Comp.4  Comp.5  Comp.6 Comp.7   Comp.8   Comp.9
  5. Standard deviation     1.8895 1.3087 1.2365 0.9593 0.86553 0.46727 0.4168 0.293547 0.201641
  6. Proportion of Variance 0.3967 0.1903 0.1699 0.1023 0.08324 0.02426 0.0193 0.009574 0.004518
  7. Cumulative Proportion  0.3967 0.5870 0.7569 0.8591 0.94235 0.96661 0.9859 0.995482 1.000000
  8.  
  9. Loadings:
  10.            Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 Comp.7 Comp.8 Comp.9
  11. 不良贷款率  0.425         0.188  0.288  0.423  0.173  0.695
  12. 资本充足率 -0.359        -0.521         0.234  0.546  0.127 -0.214 -0.426
  13. 存贷款比率  0.301  0.532 -0.142        -0.370 -0.324  0.248 -0.320 -0.438
  14. 流动比率   -0.192  0.429 -0.416  0.439  0.306 -0.384 -0.113         0.399
  15. 资产利润率 -0.392  0.332        -0.438 -0.178         0.452  0.494  0.238
  16. 资本利润率 -0.413 -0.185  0.259 -0.103  0.428 -0.562  0.167        -0.436
  17. 收入利润率 -0.299 -0.455 -0.116  0.299 -0.481 -0.159  0.432 -0.329  0.221
  18. 存款增长率 -0.243  0.249  0.387  0.636 -0.282  0.171         0.336 -0.309
  19. 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

  1. > cor(df)  #相关系数矩阵
  2.            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
  3. 不良贷款率     1.0000   -0.57238    0.31761 -0.20055   -0.70121   -0.45662   -0.53825   -0.16790
  4. 资本充足率    -0.5724    1.00000   -0.33566  0.61749    0.51053    0.32931    0.37424    0.01208
  5. 存贷款比率     0.3176   -0.33566    1.00000  0.16576   -0.02387   -0.72464   -0.56974   -0.11599
  6. 流动比率      -0.2005    0.61749    0.16576  1.00000    0.31280    0.07588   -0.03629    0.27787
  7. 资产利润率    -0.7012    0.51053   -0.02387  0.31280    1.00000    0.44019    0.13002    0.24387
  8. 资本利润率    -0.4566    0.32931   -0.72464  0.07588    0.44019    1.00000    0.38484    0.26496
  9. 收入利润率    -0.5383    0.37424   -0.56974 -0.03629    0.13002    0.38484    1.00000    0.24963
  10. 存款增长率    -0.1679    0.01208   -0.11599  0.27787    0.24387    0.26496    0.24963    1.00000
  11. 贷款增长率    -0.2863    0.03398   -0.14413  0.08791    0.59245    0.55095   -0.09947    0.60455
  12.            贷款增长率
  13. 不良贷款率   -0.28628
  14. 资本充足率    0.03398
  15. 存贷款比率   -0.14413
  16. 流动比率      0.08791
  17. 资产利润率    0.59245
  18. 资本利润率    0.55095
  19. 收入利润率   -0.09947
  20. 存款增长率    0.60455
  21. 贷款增长率    1.00000

　求特征值和特征向量

  1. >y=eigen(cor(df)) #求出cor(df)的特征值和特征向量
  2. > y$values#输出特征值
  3. [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　

  1. > sum(y$values[1:5])/sum(y$values)   #求前5个主成分的累计方差贡献率
  2. [1] 0.9423
  3. >

　

  1. 输出前5个主成分的载荷矩阵
  1. > df.pr$loadings[,1:5]#输出前5个主成分的载荷矩阵
  2.             Comp.1   Comp.2   Comp.3   Comp.4  Comp.5
  3. 不良贷款率  0.4245  0.03196  0.18753  0.28824  0.4226
  4. 资本充足率 -0.3595  0.02955 -0.52091  0.04673  0.2341
  5. 存贷款比率  0.3013  0.53170 -0.14155 -0.09645 -0.3697
  6. 流动比率   -0.1923  0.42903 -0.41595  0.43880  0.3061
  7. 资产利润率 -0.3916  0.33239 -0.04543 -0.43786 -0.1780
  8. 资本利润率 -0.4134 -0.18527  0.25918 -0.10322  0.4280
  9. 收入利润率 -0.2990 -0.45539 -0.11566  0.29949 -0.4810
  10. 存款增长率 -0.2432  0.24926  0.38706  0.63621 -0.2824
  11. 贷款增长率 -0.3000  0.34207  0.51768 -0.12671  0.1011

　　画出碎石图

  1. screeplot(df.pr,type='lines')  #画出碎石图

　　

画出散点图

　

  1. 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

  1. > y=eigen(cor(df)) #求出cor(df)的特征值和特征向量
  2. > y$values#输出特征值
  3. [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

.

  1. > s=df.pr$scores[,1:5]#输出前5个主成分的得分
  2. > #s[,1]
  3. > #计算综合得分
  4. >
  5. > scores=0.0
  6. > for (i in 1:5)
  7.    scores=(y$values[i]*s[,i])/(sum(y$values[1:5]))+scores
  8. >
  9. >
  10. > cbind(s,scores)#输出综合得分信息
  11.                           Comp.1  Comp.2    Comp.3   Comp.4  Comp.5   scores
  12. 北京农商银行             -0.9927 -0.4565 -0.773341  0.72371  0.5357 -0.52362
  13. 上海农商银行              0.5461 -0.4069  0.228600 -0.05691 -1.1411  0.08196
  14. 广州农商银行             -1.7680 -0.5058  0.091704  0.46582  0.4301 -0.74130
  15. 天津农商银行              0.8670 -1.0680 -0.118665 -1.13960 -0.2242 -0.01556
  16. （宁波）慈溪农村商业银行 -0.9713  2.0909 -2.590721  0.44416  0.7692 -0.33751
  17. 江阴农商银行              0.6533  0.3486 -1.678249  0.47363 -0.4051  0.05848
  18. 成都农商银行             -2.5372 -3.2477  0.008494  0.24227  1.2955 -1.58158
  19. 重庆农村商业银行         -1.0099 -0.1061  1.753280  0.23145 -0.6871 -0.16602
  20. （宁夏）黄河农村商业银行 -0.5903  0.7269  1.227349  0.59878 -1.1312  0.08463
  21. （陕西）旬阳农村商业银行  0.1928  1.7666 -0.273642 -1.29087  0.7258  0.31262
  22. 太仓农村商业银行          3.1937 -1.4905 -1.089861 -1.17931 -0.6266  0.66358
  23. 武汉农村商业银行         -0.8349  0.1686 -0.119553 -1.63283 -0.4856 -0.55902
  24. 安徽合肥科技农商银行     -0.2713  0.3084 -0.273867  1.79049 -1.2170 -0.01448
  25. 福州农商银行             -1.5557  1.6844  2.185117 -0.80662  0.7243  0.05566
  26. 沈阳农商银行              5.0781  0.1871  1.423354  1.13584  1.4374  2.68217

　　

　

R语言主成分分析（PCA）的更多相关文章

  1. 【转】R语言主成分分析（PCA）

    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') ...

  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. haproxy+keepalived练习

    小的网站结构 说明:如果部署在云上,比如阿里云上,不需要自己部署keepalived,直接买阿里云的slb即可,slb然后分发流量到两台haproxy机器 一.先部署两个web服务器 编译安装ngin ...

  2. [干货]AspNetCore熟练应用CancellationToken，CTO会对你刮目相看

    背景 已经有很多文章记录了 web程序中采用异步编程的优势和.Net异步编程的用法, 异步编程虽然不能解决查询数据库的瓶颈, 但是利用线程切换,能最大限度的弹性利用工作线程, 提高了web服务的响应能 ...

  3. ACM-ICPC 2018 I. Characters with Hash

    I. Characters with Hash Mur loves hash algorithm, and he sometimes encrypt another one's name, and c ...

  4. codeblocks 调试

    codeblocks 调试工具使用的注意事项: 1.codebloccks 调试,必须要在一个项目下才可以,也就是说“单独的文件是不能运行debug工具的” 2.项目的目录文件名必须是全英文,同时文件 ...

  5. nyoj 263-精　挑　细　选 (sort(P, P+m, cmp); bool cmp(node a, node b)...)

    263-精 挑 细 选 内存限制:64MB 时间限制:3000ms 特判: No 通过数:14 提交数:26 难度:1 题目描述: 小王是公司的仓库管理员,一天,他接到了这样一个任务:从仓库中找出一根 ...

  6. linux命令--文件目录操作命令

    一.命令的基本格式 1.命令提示符 [root@love2 ~]# []:这是提示符的分隔符号,没有特殊含义. root:显示的是当前的登录用户. @:分隔符号,没有特殊含义.love2:当前系统的主 ...

  7. shodan 文档学习笔记

    Table of Contents 1. Introduction 1.1. All About the Data 1.2. Data Collection 1.3. SSL in Depth 1.3 ...

  8. Android中的设计模式

    一.设计模式的分类 总体来说23种设计模式分为三大类: 创建型模式,共五种:工厂方法模式.抽象工厂模式.单例模式.建造者模式.原型模式. 结构型模式,共七种:适配器模式.装饰器模式.代理模式.外观模式 ...

  9. 【集合系列】- 深入浅出的分析 Hashtable

    一.摘要 在集合系列的第一章,咱们了解到,Map 的实现类有 HashMap.LinkedHashMap.TreeMap.IdentityHashMap.WeakHashMap.Hashtable.P ...

  10. Single-Shot Object Detection with Enriched Semantics

    整合一下能够查到的资料,然后结合自己的理解,算是对这篇文章的一个小小的总结吧.这是CVPR2018的一篇关于小目标检测的文章,出发点是作者认为小目标的检测信息随着层数的增加而不断地丢失了,所以想利用语 ...