如何基于物种分布数据构建PCA并验证PCA1与PCA2的分类效果？

问题根源分析 #

你当前的PCA分析存在两个核心问题：

• 误用了原始物种数据集data做PCA，而非提取到的环境变量矩阵variables，导致PCA维度不是基于环境变量的变异
• 可视化时未结合物种的presence_absence分类标签，所以无法体现PCA对存在/缺失样本的区分能力

修正步骤及代码 #

1. 整合环境变量与分类标签 #

先把提取到的环境变量矩阵和物种的存在/缺失标签合并，确保数据对齐：

# 将环境变量矩阵转为数据框，合并物种存在/缺失标签
env_data <- as.data.frame(variables)
env_data$presence_absence <- data$presence_absence

# 移除含NA的行（和之前的预处理对齐）
env_data_clean <- na.omit(env_data)

2. 基于环境变量重新执行PCA #

用环境变量做PCA，同时保留分类标签用于后续可视化：

# 提取环境变量列（排除presence_absence）
env_vars <- env_data_clean[, !colnames(env_data_clean) %in% "presence_absence"]

# 标准化数据并执行PCA（scale=TRUE确保变量标准化）
pca_results <- prcomp(env_vars, scale. = TRUE)

# 提取PCA得分并合并分类标签
pca_scores <- as.data.frame(pca_results$x[, c(1, 2)])
pca_scores$presence_absence <- factor(env_data_clean$presence_absence, 
                                      levels = c(0,1),
                                      labels = c("缺失", "存在"))

3. 生成带分类效果的PCA散点图 #

用ggplot2绘制带颜色区分的散点图，同时添加方差解释率到坐标轴标签：

# 计算PC1和PC2的方差解释率
pc1_var <- round(pca_results$sdev[1]^2 / sum(pca_results$sdev^2) * 100, 1)
pc2_var <- round(pca_results$sdev[2]^2 / sum(pca_results$sdev^2) * 100, 1)

# 绘制优化后的PCA散点图
scatter_plot <- ggplot(pca_scores, aes(x = PC1, y = PC2, color = presence_absence)) +
  geom_point(alpha = 0.7, size = 1.5) +  # 调整点的透明度和大小，避免重叠
  scale_color_manual(values = c("缺失" = "gray", "存在" = "blue")) +
  labs(title = "基于环境变量的PCA散点图（Solanum acaule）",
       x = paste0("主成分1 (", pc1_var, "% 方差解释)"),
       y = paste0("主成分2 (", pc2_var, "% 方差解释)"),
       color = "物种分布") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, size = 14),
        axis.title = element_text(size = 12),
        legend.title = element_text(size = 12))

print(scatter_plot)

4. 可选：添加PCA载荷图（展示环境变量对主成分的贡献） #

如果需要进一步解释PCA的意义，可以绘制载荷图：

# 提取PCA载荷
pca_loadings <- as.data.frame(pca_results$rotation[, c(1, 2)])
pca_loadings$variable <- rownames(pca_loadings)

# 绘制载荷图
loading_plot <- ggplot(pca_loadings, aes(x = PC1, y = PC2)) +
  geom_segment(aes(x = 0, y = 0, xend = PC1, yend = PC2), 
               arrow = arrow(length = unit(0.2, "cm")), color = "darkred") +
  geom_text(aes(label = variable), hjust = 1.2, vjust = 1.2, size = 4) +
  labs(title = "PCA载荷图（环境变量贡献）",
       x = paste0("主成分1 (", pc1_var, "% 方差解释)"),
       y = paste0("主成分2 (", pc2_var, "% 方差解释)")) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, size = 14))

print(loading_plot)

关键说明 #

• 确保PCA输入是环境变量矩阵，而非原始物种数据（原始数据中的经纬度、存在标签不属于环境变量，会干扰PCA结果）
• 用factor转换分类标签，让图形的图例更清晰
• 添加方差解释率可以直观展示主成分的信息量
• 调整点的透明度和大小可以缓解点重叠问题，避免出现“拉伸的点”的视觉效果

内容的提问来源于stack exchange，提问作者Sophia