如何对R中0/1值布尔二进制数据绘制PCA图及选择可视化方案？

PCA本质是面向连续变量的降维方法，对二进制数据使用时建议做标准化处理降低变量尺度差异的影响，实现代码如下：

# 读入数据，要求行是样本，列是0/1性状，可自行增加分组列
mydata <- read.csv("your_binary_data.csv", row.names = 1)
# 转换为数值矩阵，若最后一列是分组变量则保留，没有分组可删除[,-1]
binary_mat <- as.matrix(mydata[, -1])
group <- mydata$group # 无分组可删除该行

# 运行PCA
pca <- prcomp(binary_mat, scale. = TRUE)
# 提取前两个主成分的解释度
pca_var <- summary(pca)$importance[2,1:2]

# 用ggplot2绘制散点图
library(ggplot2)
plot_df <- data.frame(
  PC1 = pca$x[,1],
  PC2 = pca$x[,2],
  group = group # 无分组删除该行
)

ggplot(plot_df, aes(x=PC1, y=PC2, color=group)) + # 无分组删除color参数
  geom_point(size=2) +
  labs(x=paste0("PC1 (", round(pca_var[1]*100, 1), "%)"),
       y=paste0("PC2 (", round(pca_var[2]*100, 1), "%)")) +
  theme_bw()

注意：PCA默认使用欧氏距离计算样本差异，对0/1二进制数据的匹配度不高，分组特征可能无法完全体现，可优先使用以下更适配的可视化方法。

• 多重对应分析（MCA） #

  专门针对分类变量（含二元分类）设计的降维方法，使用卡方距离计算样本差异，比PCA更适配0/1性状数据，实现代码如下：

  library(FactoMineR)
  library(factoextra)
  # 将0/1数值转为因子类型
  binary_df <- as.data.frame(lapply(binary_mat, as.factor))
  # 运行MCA
  mca <- MCA(binary_df, graph = FALSE)
  # 绘制散点图
  fviz_mca_ind(mca,
               geom.ind = "point",
               col.ind = group, # 无分组删除该参数
               legend.title = "分组",
               repel = TRUE) +
    theme_bw()
  

• 聚类热图 #

  无需降维，直接可视化原始0/1矩阵的性状分布规律，同时对样本和性状做聚类，可直观展示分组和性状的关联：

  library(pheatmap)
  pheatmap(binary_mat,
           # 无分组可删除annotation_row参数
           annotation_row = data.frame(group=group, row.names = rownames(binary_mat)),
           color = c("#E64B35", "#4DBBD5"), # 0、1对应的颜色可自定义
           cluster_rows = TRUE,
           cluster_cols = TRUE,
           show_rownames = TRUE,
           show_colnames = TRUE)
  

• UMAP/t-SNE非线性降维 #

  样本量较大时优先选择，使用适配二进制数据的Jaccard距离或汉明距离计算样本差异，局部分组效果远优于PCA：

  library(vegan)
  library(umap)
  library(ggplot2)
  # 计算Jaccard距离矩阵
  dist_jaccard <- vegdist(binary_mat, method = "jaccard")
  # 运行UMAP降维
  umap_res <- umap(as.matrix(dist_jaccard))
  # 构造绘图数据
  umap_df <- data.frame(
    UMAP1 = umap_res$layout[,1],
    UMAP2 = umap_res$layout[,2],
    group = group # 无分组删除该行
  )
  # 绘图
  ggplot(umap_df, aes(x=UMAP1, y=UMAP2, color=group)) + # 无分组删除color参数
    geom_point(size=2) +
    theme_bw()
  

内容的提问来源于stack exchange，提问作者Sukeshini