instaPCA — Análise de componentes principais

Faça uma análise de componentes principais (PCA) de dados CSV no navegador, sem enviar os dados.

Aplicativo

Load CSV Not selected

Transpose (row/column swap):

Variable names row:
Sample names column:

* Preview shows maximum 10 rows × 10 columns

Variables: -
Samples: -
Principal Components: -

Analysis Method:

Covariance (with standardization) Covariance (centering only) No centering/standardization

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.

Re-standardize scores after PCA (optional)

Use population covariance (denominator n instead of n-1)

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.

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

O instaPCA executa a análise de componentes principais (PCA) inteiramente no navegador. Os dados CSV são lidos e processados localmente em JavaScript, portanto nunca são enviados.
A análise padronizada, usada por padrão, é comparável a prcomp(scale.=TRUE) no R. Opções adicionais permitem ajustar a centralização, a escala e o tratamento da covariância.

Não é preciso software estatístico pago nem linha de comando.

Carregar o CSV: selecione o arquivo CSV a ser analisado.
Prévia e configurações do CSV: confira a prévia e, se necessário, transponha os dados (trocar linhas por colunas) e indique a linha com os nomes das variáveis e a coluna com os nomes das amostras. A prévia mostra no máximo 10 linhas × 10 colunas, junto com o número de variáveis, de amostras e de componentes principais.
Configurações da análise: escolha o método de análise e as opções descritas abaixo e execute a análise.
Prévia e exportação dos resultados: confira os resultados, a variância e os gráficos. A prévia exibe até 1000×1000. A exportação em CSV, Markdown ou XLSX inclui todos os dados, exceto os dados dos gráficos.

A interpretação estatística depende das variáveis e do pré-processamento; verifique essas opções antes de comparar análises.

Covariância (com padronização): padroniza cada variável para média 0 e variância 1 antes da PCA. Isso equivale à PCA pela matriz de correlação, como prcomp(..., scale.=TRUE) no R ou a PCA no Python após o StandardScaler. É útil quando as variáveis usam unidades diferentes.
Covariância (apenas centralização): centraliza cada variável em média 0 e executa a PCA sobre a matriz de covariância. Corresponde ao comportamento padrão do prcomp no R e do sklearn.decomposition.PCA no Python. Variáveis com variância maior terão mais influência.
Sem centralização/padronização: usa os valores originais sem transformação, o que corresponde a prcomp(center=FALSE, scale.=FALSE) no R. Em geral não é recomendado, mas pode ser adequado para dados que já foram centralizados.

Padronizar novamente os escores após a PCA (opcional): executa a PCA após a centralização e, em seguida, reescala os escores dos componentes principais para variância 1.
Usar a covariância populacional (denominador n em vez de n-1): usa o número de amostras n como denominador da covariância, em vez do denominador habitual da covariância amostral, n-1. Deixe esta opção desativada para obter resultados comparáveis aos padrões do R e do Python. Ative-a somente quando os dados representarem a população completa.

Atualizado em 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.

O instaPCA se destina à análise exploratória e ao aprendizado. Não o use como única base para decisões médicas ou outras decisões de negócios de grande impacto.
Verifique se o conteúdo e a estrutura dos dados de entrada são adequados antes de confiar nos resultados.

O operador do site e o criador da ferramenta não se responsabilizam por perdas ou danos decorrentes do uso desta ferramenta.
Verifique os resultados com cuidado. Você é responsável pelas decisões e ações tomadas com base neles.
A ferramenta e sua disponibilidade podem mudar sem aviso prévio.

Os direitos autorais do conteúdo e dos programas publicados neste site pertencem à Musashino Software.