instaPCA — 主成分分析

在浏览器中对 CSV 数据进行主成分分析（PCA），数据不会上传。

应用

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 完全在浏览器中运行主成分分析（PCA）。CSV 数据由 JavaScript 在本地读取和处理，因此绝不会被上传。

  • 默认的标准化分析可与 R 中的 prcomp(scale.=TRUE) 结果相对照。其他选项可用于调整中心化、标准化以及协方差的计算方式。

用法概览

加载 CSV 后，在预览中确认数据结构（必要时可转置行列，并指定变量名所在行和样本名所在列；预览最多显示 10 行 × 10 列），然后选择分析方法并运行分析。结果预览最多显示 1000×1000；导出时包含除绘图数据以外的全部数据，可导出为 CSV、Markdown 或 XLSX。统计解释取决于变量选择和预处理方式；比较分析结果前，请先确认这些设置。

分析方法说明

  • 协方差（含标准化）：在进行 PCA 之前，将每个变量标准化为均值 0、方差 1。这等同于基于相关矩阵的 PCA，例如 R 的 prcomp(..., scale.=TRUE)，或在 Python 中先使用 StandardScaler 再进行 PCA。当各变量的单位不同时，此方法很有用。

  • 协方差（仅中心化）：将每个变量中心化为均值 0，然后基于协方差矩阵进行 PCA。这与 R 的 prcomp 以及 Python 的 sklearn.decomposition.PCA 的默认行为一致。方差较大的变量影响会更大。

  • 不进行中心化／标准化：直接使用原始值，不做任何变换，对应于 R 的 prcomp(center=FALSE, scale.=FALSE)。一般不建议使用，但对于已经中心化的数据可能是合适的。

可选设置说明

  • PCA 后重新标准化得分（可选）：在中心化后运行 PCA，然后将主成分得分重新缩放为方差 1。

  • 使用总体协方差（分母为 n 而非 n-1）：使用样本数 n 作为协方差的分母，而不是通常的样本协方差分母 n-1。如需获得与 R 和 Python 标准默认值可比的结果，请保持关闭。仅当数据代表完整的总体时才启用此选项。

学术研究中的使用

2026 年 8 月更新

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.

重要事项与免责声明

使用前须知

  • instaPCA 旨在用于探索性分析和学习。请勿将其作为医疗决策或其他重大商业决策的唯一依据。

  • 在依赖分析结果之前，请确认输入数据的内容和结构是否恰当。

免责声明

  • 对于因使用本工具而产生的任何损失或损害，网站运营者和工具开发者概不负责。

  • 请仔细核对输出结果。基于结果作出的决策和行动由您自行负责。

  • 本工具及其可用性可能会在不另行通知的情况下发生变更。

版权

本网站发布的内容和程序的版权归 Musashino Software 所有。

完整说明原文（英文）