R语言prcomp函数PCA旋转后数据镜像问题求助

我之前也踩过这个坑！其实这不是prcomp的bug，而是PCA主成分本身的一个特性——主成分的符号是任意的，因为特征向量乘以-1之后仍然是有效的特征向量，所以不同函数在计算时可能选择了相反的方向，导致结果看起来像是镜像，但本质上包含的信息完全一致。

问题根源 #

你用psych::principal()直接做带varimax旋转的PCA时，函数内部默认的特征向量方向和prcomp()输出的主成分方向相反，后续旋转后自然就出现了镜像效果。但两者的统计意义是一样的，只是坐标轴方向翻转了而已。

解决方法：手动调整符号对齐结果 #

如果你想要让prcomp旋转后的结果和principal保持一致，可以通过对比两者的载荷矩阵，手动翻转成分的符号：

# 1. 先运行你认为"正确"的principal结果
library(psych)
psych_pca <- principal(PCADataFrame, nfactors=2, rotate="varimax", scale=TRUE) # 记得scale，principal默认标准化

# 2. 用prcomp提取主成分并做varimax旋转
prcomp_pca <- prcomp(PCADataFrame, scale.=TRUE)
pc_scores <- prcomp_pca$x[, 1:2] # 取前两个主成分
pr_rotated <- varimax(pc_scores)

# 3. 对比载荷矩阵，调整符号
for (i in 1:2) {
  # 计算两个结果对应成分载荷的相关系数，判断方向是否相反
  corr_dir <- cor(psych_pca$loadings[, i], pr_rotated$loadings[, i])
  if (corr_dir < 0) {
    # 翻转当前成分的得分和载荷的符号
    pr_rotated$scores[, i] <- pr_rotated$scores[, i] * -1
    pr_rotated$loadings[, i] <- pr_rotated$loadings[, i] * -1
  }
}

调整后，pr_rotated的结果就和psych_pca完全对齐了，之后你就可以放心用prcomp配套的可视化工具（比如biplot(prcomp_pca)或者结合ggplot2画得分散点图）啦。

小提醒 #

其实这种镜像翻转完全不影响PCA的解释——主成分的方向本身没有实际的物理意义，只是为了和你预期的结果一致才需要调整。如果不需要和其他结果对齐，完全可以忽略这个镜像问题哦~

内容的提问来源于stack exchange，提问作者b1234