prcomp和ggbiplot:无效'；腐烂'；价值

我试图用R对我的数据进行PCA分析，我发现，使用

prcomp

和

ggbiplot

。我的数据是两个样本类型，每个样本类型有三个生物重复（即6行）和大约20000个基因（即变量）。首先，使用指南中描述的代码获取PCA模型不起作用：

>pca=prcomp(data,center=T,scale.=T)
Error in prcomp.default(data, center = T, scale. = T) : 
cannot rescale a constant/zero column to unit variance

但是，如果我删除

比例T

部分，它工作正常，我得到了一个模型。这是为什么？这是下面错误的原因吗

> summary(pca)
Importance of components:
                             PC1       PC2       PC3       PC4       PC5
Standard deviation     4662.8657 3570.7164 2717.8351 1419.3137 819.15844
Proportion of Variance    0.4879    0.2861    0.1658    0.0452   0.01506
Cumulative Proportion     0.4879    0.7740    0.9397    0.9849   1.00000

其次，绘制主成分分析。即使只使用基本代码，我也会得到一个错误和一个空的绘图图像：

> ggbiplot(pca)
Error: invalid 'rot' value

这意味着什么？我如何修复它？它是否与PCA中的（非）量表有关，或者是有什么不同？我想这一定是因为我的数据，因为如果我使用一个标准示例代码（如下），我会得到一个非常好的PCA图

> data(wine)
> wine.pca=prcomp(wine,scale.=T)
> print(ggbiplot(wine.pca, obs.scale = 1, var.scale = 1, groups = wine.class, 
  ellipse = TRUE, circle = TRUE))

[编辑1]我已尝试以两种方式对数据进行子集设置：1）删除所有列，所有行均为0；2）删除所有列，所有行均为0。第一个子集仍然会给我

scale

错误，但不会给那些删除了任何0的列的错误。为什么会这样？这对我的PCA有什么影响

此外，我还尝试对原始数据（非缩放）和上面的子集数据使用普通的

biplot

命令，并且在这两种情况下都有效。所以这与

ggbiplot

有关

---

[编辑2]我上传了数据的一个子集，当我没有删除所有的零时，它会给我错误，当我删除时，它会工作。我以前没用过gist，但我想是的。或者…

在转换您的数据后，我能够复制您的错误。第一个错误是主要问题。主成分分析寻求最大化每个成分的方差，因此重要的是，它不能只关注一个方差可能非常高的变量。第一个错误：

Error in prcomp.default(tdf, center = T, scale. = T) : 
  cannot rescale a constant/zero column to unit variance

这是在告诉您，您的一些变量具有零方差（即无可变性）。鉴于主成分分析法试图通过最大化方差对事物进行分组，保留这些变量是没有意义的。通过以下调用可以轻松删除它们：

df_f <- data[,apply(data, 2, var, na.rm=TRUE) != 0]

---

是否有任何方法可以为您提供数据集的数据，例如数据集的

dput

？或者，如果它是大的，仍然产生错误的子集？很难尝试和诊断我们无法重现的问题。我现在添加了一些数据，非常感谢您的帮助！您在gist上提供的数据不会重现错误。我下载了这个文件，并且

prcomp

和

ggbiplot

运行时没有出错。我现在意识到我上传的数据没有被转置（因为我在脚本中这样做），我也可以按原样对该数据运行

prcomp

。我感兴趣的是一个包含10k个变量（或者我将其子集为多少个变量）和20个左右不同样本类型的PCA。转置数据集的

prcomp

对您有用吗？好的，太好了！虽然我不完全理解你的代码。。。删除没有差异的列（

var

）？如果存在零，那么这与删除所有列有什么不同？（我明白两者之间有明显的区别，但不完全是如何区别的）。我删除零的代码如下所示：

nonzero=data[，apply（data，2，function（x）all（x>0））]

区别在于我删除的是方差为0的列，而不是包含0的列。零可能很重要，但没有方差的变量在主成分分析中没有价值。

pca=prcomp(df_f,center=T,scale.=T)
ggbiplot(pca)