PCA（Principal Component Analysis，主成分分析）是一种经典的降维技术，旨在将高维数据转换为低维表示，同时保留数据中的主要变异信息。其核心目的是简化复杂数据集，揭示隐藏的模式、结构或关键驱动因素。
分析目的：
数据降维与可视化：将数据投影到少数几个主成分（PCs）上，生成2D/3D散点图，直观展示样本分布；
识别关键变量与模式：发现驱动样本差异的主要基因或环境因子，识别离群样本或技术批次效应；
去除噪声与冗余：舍弃低方差成分（通常为噪声或冗余信息），提高后续分析的效率；
数据标准化与可比性：PCA前通常对数据进行中心化（均值=0）和标准化（方差=1），消除量纲影响，使不同变量可比。
如果没空写代码、不想写代码、不理解代码又或是没有代码运行条件等，推荐使用【掌上生信绘图平台】，无需编写代码，只需要上传文件即可一键分析并自动绘图。
PCA 图
结果表
绘图参数
结果图片还可以使用绘图参数自由修改
任务列表
如果分析结果不满意，可以修改参数重新提交分析，所有任务独立记录，可自由切换查看结果
