作图方法4——柱状图

#计算对数收益率
log_returns=np.log(data2.pct_change()+1)
#做柱状图
log_returns.hist(bins=50, figsize=(10,6),layout=(2,3))

### 创建和解释PCA中的得分柱状图 #### 使用`FactoMineR`包计算PCA并生成得分柱状图 为了创建主成分分析(PCA)的得分柱状图,通常先利用特定软件包完成PCA运算。这里采用的是`FactoMineR`包来进行PCA计算[^1]。 ```r library(FactoMineR) # 假设dataframe为df res.pca <- PCA(df, graph = FALSE) ``` 接着,通过`factoextra`包实现基于ggplot2的结果可视化,特别是针对个体样本在各个主成分上的得分情况绘制柱状图。虽然该包更常用于散点图形式展示个体(`fviz_pca_ind`)或变量(`fviz_pca_var`)于不同主成分间的分布状况以及特征根碎石图(`fviz_eig`),但也可以自定义绘制成柱状图来表示这些分数: ```r library(factoextra) # 提取第一个主成分(PC1)上各观测对象的得分为例 pc_scores <- as.data.frame(res.pca$ind$coord[, 1]) # 绘制PC1得分柱状图 barplot(pc_scores[[1]], names.arg=row.names(pc_scores), main="Scores on PC1", xlab="", ylab="Score Value") ``` 此代码片段展示了如何提取单个主成分(这里是PC1)对应的得分值,并将其转换成适合作图的数据框结构;随后调用基础图形系统的`barplot()`函数制作简单的条形统计图表,其中x轴代表不同的样品编号而y轴则对应它们各自沿选定主方向所获得的具体数值大小。 对于所得柱状图的理解方面,每一个直方的高度反映了相应样本在这项主成分下的位置信息——正值意味着倾向于某一端特性表达较强的方向,负值反之亦然;绝对值越大表明其偏离中心趋势越明显,在后续聚类或其他多元数据分析过程中可能扮演更重要的角色。值得注意的是,当考虑多维空间内的整体布局时,单独查看某一根或多根坐标轴并不能完全概括全部变异模式,因此建议综合多个视角进行全面评估[^2]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值