instaPCA — Análisis de componentes principales

Realiza un análisis de componentes principales (PCA) de datos CSV en el navegador, sin subir los datos.

Aplicación

1. CSV Loading

Not selected

2. CSV Preview & Settings


* Preview shows maximum 10 rows × 10 columns

Variables: -
Samples: -
Principal Components: -

3. Analysis Settings

Analysis Method:

Details (click to expand)
  • Covariance (with standardization): Standardizes each variable to mean 0 and variance 1 before PCA. This is equivalent to correlation-matrix PCA, such as R's prcomp(..., scale.=TRUE) or Python PCA after StandardScaler. It is useful when variables use different units.
  • Covariance (centering only): Centers each variable at mean 0 and runs PCA on the covariance matrix. This matches the default behavior of R's prcomp and Python's sklearn.decomposition.PCA. Variables with larger variance will have more influence.
  • No centering/standardization: Uses the original values without transformation, corresponding to R's prcomp(center=FALSE, scale.=FALSE). This is generally not recommended, but can be appropriate for data that has already been centered.

Details (click to expand)
  • Re-standardize scores after PCA (optional): Runs PCA after centering, then rescales the principal component scores to variance 1.
  • Use population covariance (denominator n instead of n-1): Uses the sample count n as the covariance denominator instead of the usual sample-covariance denominator n-1. Leave this off for results comparable to the standard defaults in R and Python. Enable it only when the data represents the complete population.

4. Results Preview & Export

Preview displays up to 1000x1000. Export includes all data except plot data.

  • instaPCA ejecuta el análisis de componentes principales (PCA) completamente en tu navegador. Los datos CSV se leen y procesan localmente con JavaScript, por lo que nunca se suben.
  • El análisis estandarizado predeterminado es comparable a prcomp(scale.=TRUE) de R. Otras opciones permiten ajustar el centrado, el escalado y el tratamiento de la covarianza.

Uso y opciones

Carga los datos CSV y revisa las variables que se van a analizar. Puedes transponer filas y columnas e indicar qué fila contiene los nombres de las variables y qué columna contiene los nombres de las muestras. La vista previa del CSV muestra como máximo 10 filas × 10 columnas.

Ajusta el centrado, el escalado y el tratamiento de la covarianza según tus datos y ejecuta el análisis. Revisa los resultados, la varianza y los gráficos. La vista previa de resultados muestra hasta 1000 × 1000; la exportación incluye todos los datos excepto los de los gráficos. Puedes exportar los resultados a CSV, Markdown o XLSX con los controles correspondientes.

La interpretación estadística depende de la selección de variables y del preprocesamiento; comprueba estas opciones antes de comparar análisis. No necesitas software estadístico de pago ni usar la línea de comandos.

Métodos de análisis

  • Covarianza (con estandarización): estandariza cada variable a media 0 y varianza 1 antes del PCA. Equivale al PCA sobre la matriz de correlación, como prcomp(..., scale.=TRUE) de R o el PCA de Python tras aplicar StandardScaler. Es útil cuando las variables usan unidades distintas.
  • Covarianza (solo centrado): centra cada variable en media 0 y ejecuta el PCA sobre la matriz de covarianza. Coincide con el comportamiento predeterminado de prcomp de R y de sklearn.decomposition.PCA de Python. Las variables con mayor varianza tendrán más influencia.
  • Sin centrado ni estandarización: usa los valores originales sin transformarlos, lo que corresponde a prcomp(center=FALSE, scale.=FALSE) de R. En general no se recomienda, pero puede ser adecuado para datos que ya están centrados.

Opciones adicionales

  • Re-estandarizar las puntuaciones tras el PCA (opcional): ejecuta el PCA tras el centrado y después reescala las puntuaciones de los componentes principales a varianza 1.
  • Usar la covarianza poblacional (denominador n en lugar de n-1): usa el número de muestras n como denominador de la covarianza en lugar del denominador habitual de la covarianza muestral, n-1. Déjala desactivada para obtener resultados comparables con los valores predeterminados habituales de R y Python. Actívala solo cuando los datos representen la población completa.

Uso en investigación académica

Actualizado en 2026-08

Fujita-Yoshigaki, J., Kujiraoka, S., Yokoyama, M., & Katsumata-Kato, O. (2026). Changes in microRNA Expression by An Inhibitor for Src kinase Signaling in Rat Parotid Acinar Cells. International Journal of Oral-Medical Sciences, 24(3), 109–115.

Notas importantes y descargo de responsabilidad

Antes de usar la herramienta

  • instaPCA está pensada para el análisis exploratorio y el aprendizaje. No la uses como única base para decisiones médicas ni para otras decisiones empresariales de gran impacto.
  • Comprueba que el contenido y la estructura de los datos de entrada son adecuados antes de confiar en los resultados.

Descargo de responsabilidad

  • El operador del sitio y el creador de la herramienta no se hacen responsables de las pérdidas o daños derivados del uso de esta herramienta.
  • Verifica los resultados con atención. Las decisiones y acciones basadas en ellos son responsabilidad tuya.
  • La herramienta y su disponibilidad pueden cambiar sin previo aviso.

Derechos de autor

Los derechos de autor del contenido y los programas publicados en este sitio pertenecen a Musashino Software.

Página original en inglés