R PCA使用行作为变量而不是列

我在尝试对数据进行主成分分析时遇到了一个棘手的问题。我曾尝试使用

prcomp

（base）和

rda

（vegan），但分析将列视为样本单位，而不是行，这导致了分析中的各种问题

以下代码简化了我的数据。实际数据集由近2000列和大约350行组成。但是，当我运行下面的脚本时，问题是相同的：

rn <- rnorm(8000)
dt <- matrix(rn, nrow=80, ncol=1000)

result <- rda(dt, scale=T)
summary(result)

---

rn虽然可以使用SVD方法对变量p大于观测值n的数据集执行PCA，但最多有n个主成分，如果数据居中，则为n-1

如果你深入研究你拟合的PCA的结果，你会发现它考虑了所有变量，并且它们仍然是变量：

> r2 <- rda(dt, scale=T)
> dim(scores(r2, display = 'species'))
[1] 1000    2

同样，1000个变量，80个主成分（这里80个，而前面2个是
选项的默认值，即提取分数的轴）。
您可以使用
t（）
将数据转换为这些函数期望的格式。MrFlick是正确的。在R中，惯例总是将变量放在列中，观察值放在行中。这对用户来说很容易，因为我们知道大多数函数的工作方式都是一样的。没必要猜测那个作者喜欢什么，我明白了。但是数据的格式是正确的（即行作为观察值，列作为变量）。不知何故，R以另一种方式将矩阵凝聚起来，这导致了分析的失败nonsense@PedroRocha当变量多于观测值时，您确定可以执行PCA吗？。我不确定，但是当使用函数
princomp
运行您的示例时，我在princomp.default（dt）中得到了错误
error：“princomp”只能用于比变量更多的单位，这让我怀疑它是否可能，如果不可能，我认为
rda
和
prcomp
可能会转换数据来执行分析。我确信R不是“以相反的方式协调矩阵”，而是将列视为变量。也许你只是误解了结果。谢谢你的澄清。鉴于这是我第一次处理这么大的数据集，我误解了结果。你的回答很清楚！干杯
> r1 <- prcomp(dt, scale = TRUE)
> dim(scores(r1, display = 'species'))
[1] 1000   80