R 对变量数量大于个体数量的数据进行主成分分析是不可能的吗？

我是R的新用户，我尝试使用R对我的数据集进行PCA。数据的维数为20x10000，即特征的维数为10000，个体的维数为20。似乎prcomp（）无法准确处理数据，因为计算出的特征向量和新数据的维数是20x20和10000x20，而不是10000x1000和20x10000。我也尝试了FactoMineR库，但结果看起来它也放松了一些维度。有没有办法对这样的数据进行主成分分析（

通过阅读手册，默认情况下似乎没有忽略任何组件，但请检查

tol

参数。问题在于，当您的案例数少于单个案例时，负特征值可能会下注（并且通常会下注）。（我认为，对于10000个案例和20个案例，您将始终有许多负特征值。）请看我有时使用的PCA的简化版本，它以心理学中通常使用的方式计算“PC加载”

PCA <- function(X, cut=NULL, USE="complete.obs") {
   if(is.null(cut)) cut<- ncol(X)
   E<-eigen(cor(X,use=USE))
   vec<-E$vectors
   val<-E$values
   P<-sweep(vec,2,sqrt(val),"*")[,1:cut]
   P
   }

---

PCA
prcomp
可以处理比观测值更具特征的数据集，我自己已经做过几次了。你能添加一个失败代码的虚拟示例来帮助我们定位问题吗？可能是因为缺少值吗？这是编程还是统计问题？如果是后者，我建议将其移至crossvalidated.com.@Backlin实际上，我想做的是减少数据集的维数，删除优先级较低的功能。为此，我只尝试了“prcomp（X）”，没有任何选项，其中dim（X）=20x10000。我可以找到dim（prcomp（X）$rot）=10000x20和dim（prcomp（X）$X）=20x20。dim（prcomp（X）$rot）=10000x1000和dim（prcomp（X）对吗$x）=20x10000？？？我也尝试手动查找特征向量，但输出中有许多NaN。
prcomp
似乎工作正常。由于
x
（行）中有20个观测值，PCA投影的维数将为20。
prcomp（）$x
是新空间中
x
的坐标（20个观测值作为行，20个新基向量上的坐标又称为列）。
prcomp（）$rot
持有以原始空间（行）坐标表示的新基向量/分量（列）的定义。@Backlin我应该认为prcomp（）从奇异值分解（SVD）的角度，我只是想找到维数为10000x1000的协方差矩阵的特征向量。由于你的解释，事情更清楚了。谢谢。）正如你所说，你的函数PCA用我的数据集生成了NaN。我试图用
eigen
找到特征向量，输出中有许多NaN。无论如何，谢谢你的建议。