R语言【漫画】数据PCA主成分分析报告

数据基本探查

数据框包含1714个样本，20个变量：

序号	变量	序号	变量
1	漫画名称	11	是否完结
2	标签	12	更新时间
3	作者	13	话题数
4	合约关系	14	累计打赏
5	评分	15	本站打赏排名
6	评分人数	16	今日打赏数
7	人气	17	本月月票
8	收藏数	18	本月打赏排名
9	好票	19	单次打赏最高数额
10	黑票	20	作者作品数

 

提取数据

去除文本类型的列：[漫画名称]、[标签]、[作者]、[合约关系]、[是否完结]

library(openxlsx) data <- read.xlsx("漫画.xlsx") dim(data) #从数据帧提取数据 data1 <- data.frame(data$评分,data$评分人数,data$人气,data$收藏数,data$好票,data$黑票,data$话题数,                     data$累计打赏,data$本站打赏排名,data$今日打赏数,data$本月月票,                     data$本月打赏排名,data$单次得到打赏最高数额,data$作者作品数) names(data1) <- c("评分","评分人数","人气","收藏数","好票","黑票","话题数","累计打赏","本站打赏排名",                   "今日打赏数","本月月票","本月打赏排名","单次得到打赏最高数额","作者作品数")

 

替换特殊文本

# 将‘未上榜’、‘--’替换成NA，将[人气]中的'万'去除 for (col in colnames(data1)) {   if (class(data1[,col]) == 'factor'){     cat(col,class(data1[,col]),'\n')     data1[,col]<-as.character(data1[,col])     data1[,col] <- gsub("万","",data1[,col])     data1[,col] <- gsub("未上榜",NA,data1[,col])     data1[,col] <- gsub("--",NA,data1[,col])     data1[,col]<-as.numeric(data1[,col])   } }

 

 

查看摘要信息

绘制数据缺失图表

library(VIM) par(family='STKaiti') aggr(data1, col=c('navyblue','red'), numbers=TRUE, sortVars=TRUE, labels=names(data1), cex.axis=.7, gap=3, ylab=c("Histogram of missing data","Pattern"))

计算缺失率

pMiss <- function(x){sum(is.na(x))/length(x)*100} apply(data1,2,pMiss) #删除缺失比例大于25%的列 data2 = subset(data1,select=-c(本站打赏排名,本月打赏排名,单次得到打赏最高数额))

缺失值均值填充

library(Hmisc) for (col in colnames(data2)) {   data2[,col] = impute(data2[,col], mean ) # replace with mean }

相关性分析

library(corrplot)#先加载包 M <- cor(data2) corrplot(M, method = "number")

碎石检验

首先判断主成分的数目，这里使用Cattell碎石检验，表示了特征值与主成数目的关系。一般的原则是：要保留的主成分的个数的特征值要大于1且大于平行分析的特征值。

library(psych) fa.parallel(df,fa="pc",n.iter = 100,show.legend = T,main="Cattell碎石检验",ylabel="特征值") abline(1,0)

 

可以看出有3个特征值是大于1且大于平行分析线。所以选择3个主成分即可保留数据集的大部分信息。

提取主成分

PCA<-principal(df, nfactors = 3, rotate = "varimax")

h2栏指成分公因子方差——主成分对每个变量的方差解释度。

u2栏指成分唯一性——方差无法被主成分解释的比例（1-h2）。

SS loadings行包含了与主成分相关联的特征值，指的是与特定主成分相关联的标准化后的方差值。

Proportion Var行表示的是每个主成分对整个数据集的解释程度。

此处可以看到，3个主成分解释了11个变量79%的程度。

获取主成分得分

部分显示

主成分得分图

biplot(PCA$weights,PCA$scores)

在第一主成份（横坐标）上，可以看出【今日打赏数】越多，【本月月票】也会越多；

在第二主成份（纵坐标）上，可以看出【评分人数】越多，获得【好票】或者【黑票】也越多，【人气】也会变高

参考：

https://www.cnblogs.com/SCUJIN/p/5965946.html