主成分分析R软件实现程序（一）：
>d=read.table("clipboard",header=T) #从剪贴板读取数据
>sd=scale(d) #对数据进行标准化处理
>sd #输出标准化后的数据和属性信息，把标准化的数据拷贝到剪贴板备用
>d=read.table("clipboard",header=T) #从剪贴板读取标准化数据
>pca=princomp(d,cor=T) #主成分分析函数
>screeplot(pca,type="line",mian="碎石图",lwd=2) #画出碎石图
从碎石图上可以看出，前两个主成分的方差贡献率比重比较大，下面计算前两个主成分的累积方差贡献率是否超过80%……
>dcor=cor(d) #求相关矩阵
>deig=eigen(dcor) #求相关矩阵的特征值和特征向量
>deig$values #输出特征值
>sumeigv=sum(deig$values)
>sumeigv 得到k值
>sum(deig$values[1:2])/k #求前两个主成分的累积方差贡献率
>pca$loadings[,1:2] #输出前2个主成分的载荷系数
观察载荷系数可以得到：主成分C1在……
>deig$values[1]/k;deig$values[2]/k; #计算主成分C1、C2的系数b1、b2
C=(b1*C1+b2*C2)/(b1+b2)=q1*C1+q2*C2
>s=pca$scores[,1:2] #输出前两个主成分的得分
>c=s[1:评价对象的个数,1]*q1+s[1:评价对象的个数,2]*q2
>cbind(s,c)
然后把综合得分c的值从小到大排序，得到最后评价结果。
注意：在这里c的值指的是c的实数的值，并非绝对值。
主成分分析R软件实现程序（二）：较为简便
在excel中点击复制要读取的文件
>data<-read.table("clipboard",header=T,sep=\'\t\')
>data
>data.pr<-princomp(data,cor=TRUE) #data为数据矩阵或数据框，cor为是否用相关阵，默认为协差阵，scores为是否输出成分得分
>summary(data.pr,loading=TRUE) #loading=TURE选项列出了主成分对应原始变量的系数
其中:standard deviation 标准偏差 Porportion of Variance 贡献率（方差比例）
comulative proportion 累计贡献率（累计比例）
画出三种碎石图：
>screeplot(data.pr) #条型
>biplot(data.pr) #分散型
>screeplot(data.pr,type=("line")) #线型
主成分分析R软件实现程序（三）：作业
首先读取成绩数据
```{r, echo=TRUE}
grade <- read.csv(file.choose(),sep=",",header=T)
```
下面对数据进行标准化处理
```{r, echo=TRUE}
sd_grade <- scale(grade[2:43,2:7]);sd #对数据进行标准化处理
sd_grade_pcomp <- princomp(sd_grade,cor=T); #sd_grade_pcomp #主成分分析函数，cor=T为使用相关系数阵来进行分析，默认用协方差阵
summary(sd_grade_pcomp,loadings=TRUE)
#形成一个总结，内含standard deviation 标准偏差 Porportion of Variance 贡献率（方差比例）comulative proportion 累计贡献率（累计比例）
```
由结果看，前三个主成分的累积贡献方差率已达85%，故可选前三个主成分.
```{r, echo=TRUE}
screeplot(sd_grade_pcomp,type="lines")
p<-predict(sd_grade_pcomp);p
```
