R语言手动实现PCA：求解主成分方差解释占比遇阻求助

核心逻辑：主成分的方差解释占比 = 单个主成分得分的方差 ÷ 所有主成分得分的方差总和（或原始数据的总方差，结果一致）

步骤1：计算每个主成分得分的方差 #

你的Z矩阵每一行对应一个主成分的5个观测得分，用apply()函数计算每行的方差：

# 计算每个主成分的方差（var()默认除以n-1，是统计上的无偏估计）
pc_var <- apply(Z, 1, var)

步骤2：计算总方差 #

总方差是所有主成分方差的总和，直接用sum()求和：

total_var <- sum(pc_var)

步骤3：计算方差解释占比（百分比形式） #

将每个主成分的方差除以总方差，再乘以100转成百分比，保留两位小数让结果更直观：

var_explained <- round((pc_var / total_var) * 100, 2)
# 给结果命名，对应三个主成分
names(var_explained) <- c("主成分1", "主成分2", "主成分3")

完整代码整合 #

把上述步骤和你已有的代码整合在一起：

# 原始数据矩阵
A <- matrix(
  c(-2, -2, 0, 2, 2, -2, 2, 0, -2, 2, -4, 0, 0, 0, 4),
  nrow = 3,
  ncol = 5,
  byrow = TRUE
)

# 主成分向量矩阵（每列是一个主成分向量）
Phi <- matrix(
  c(0.41, -0.71, 0.58, 0.41, 0.71, 0.58, 0.82, 0.00, -0.58),
  nrow = 3,
  ncol = 3,
  byrow = FALSE
)

# 计算主成分得分
Z <- Phi %*% A

# 计算每个主成分的方差
pc_var <- apply(Z, 1, var)

# 计算总方差
total_var <- sum(pc_var)

# 计算方差解释占比（百分比）
var_explained <- round((pc_var / total_var) * 100, 2)
names(var_explained) <- c("主成分1", "主成分2", "主成分3")

# 输出结果
print("各主成分方差解释占比：")
print(var_explained)

补充说明 #

• 方差的意义：主成分的方差越大，说明它能捕捉到的原始数据波动（信息）越多
• 验证总方差：你可以用sum(apply(A, 1, var))计算原始数据的总方差，结果和total_var一致，这是PCA的核心性质——总方差守恒

内容的提问来源于stack exchange，提问作者jjuser19jj