#由此說明使用prcomp函數時，必須使用標准化過的原始數據。如果使用沒有標准化的raw數據(不是相關系數矩陣或者協方差矩陣)，必須將參數scale. = T
<result>$sdev #表示標准差，意思是 <result>$sdev[1] = sqrt(var(<result>$x))
<result>$rotation #表示的是特征向量矩陣，也可以由eigen(<輸入的原數據>)$vector 得到
<result>$x #表示的是主成分結果矩陣，可以由<輸入的原數據>%*%<result>$rotation得到
==============================================================
p1 = princomp(scr,cor = T);p1 ###看來，必須把cor = T加上才可以得到正確的值,否則是使用cov計算的結果，並且計算過程中有新的參數加入
#cor = False :cv <- covmat$cov * (1 - 1/n.obs)
#cor = True: cv <- covmat$cov * (1 - 1/n.obs)，sds <- sqrt(diag(cv))，cv <- cv/(sds %o% sds)
#sdev = sqrt(eigen(cv, symmetric = TRUE)$value)
#下面的證明表明，使用cov和使用cor的結果還是十分的不一樣的
<result>$sdev #主成分結果矩陣每一列的標准差
<result>$loading #特征向量矩陣
<result>$scores # 主成分結果矩陣
注意：在使用princomp函數時，必須使用標准化后的原始矩陣（不能是相關系數矩陣或者協方差矩陣）；如果使用未被標准化的原始數據，必須加入參數：cor = T 。
=================================================================================================
library(psych)
p32 = principal(scr,nfactors = 5,rotate = "varimax");p32
p3 = principal(scrcor,nfactors = 5,rotate = "varimax");p3
這兩個運行的結果一樣，說明在principal函數中，可以使用原始數據或相關系數矩陣。這個可以使用相關系數矩陣或者協方差矩陣，是十分不同於之前的兩個主成分求值函數的。
p32$values #特征值，等同於結果矩陣的方差值
scr是經過標准化的數據集；r是原始矩陣，沒有經過標准化的數據。
cor(scr)
cov(scr)
cor(r)
cov(r)
結果證明，經過標准化的原始矩陣的相關系數矩陣和協方差矩陣一樣；但是沒有經過標准化的數據集的協方差和相關系數矩陣是不一樣的。
ep3 = eigen(cor(scr))
loading = ep3$vectors %*% sqrt(diag(ep3$values))
sign.tot <- vector(mode = "numeric", length = 5);sign.tot
sign.tot <- sign(colSums(loading));sign.tot
sign.tot[sign.tot == 0] <- 1;sign.tot
loadings <- loading %*% diag(sign.tot);loadings
varimax(loadings)$loadings
最后的loadings值就是上面的過程得到的，當然此處參數是 nfactors = 5, rotate = "varimax" , r = scr.
=====================================================================
以下內容來自於網址：https://site.douban.com/182577/widget/notes/11806604/note/262310174/
最常用的求解PCA的函數是stats包的
prcomp（）和princomp( )。
前者采用觀測陣的奇異值分解方法，后者采用相關系數陣的特征值分解方法。
輸出結果上，包括特征值，載荷，主成分得分等，結果基本相似。
同時可以利用print( ),summary( )顯示輸出結果。
plot( )畫scree plot，biplot( )繪制biplot。
SciViews包的pcomp（）綜合了上面兩個函數的方法。
psych包的相關函數
這個包是關於心理計量的包，其中有關於主成分的函數principal( )
這個函數是作為因子分析的主成分解法存在的，要和fa.parallel（）結合使用。
還有一個心理學的包：psy包，也有相關的函數
====================================================
我想說的是，principal()函數得到結果中，$value 是特征值，$loading是由因子載荷矩陣，是因子分析的主成份解法中的概念，$scores是因子得分系數。
============
http://blog.csdn.net/lilanfeng1991/article/details/36190841#
還可以參考上文
原諒我，現在還是有點模糊，都花了好幾天了，算了，以后再慢慢弄明白