本篇文章不讲有关主成分分析的理论知识，只讲实际操作。
实例：（中学生身体四项指标的主成分分析）
在某中学随机抽取某年级30名学生，测量其身高(X1)、体重(X2)、胸围(X3)和坐高(X4)，数据如下。试对这30名中学生身体四项指标数据做主成分分析

这些数据保存保存在students_data.csv中，该文件中的部分数据截图如下：

现在开始做主成分分析
第一步：将students_data.csv中的数据读入到程序中
data <- read.csv('D:/students_data.csv', header = T)   
注：header = T表示将students_data.csv中的第一行数据设置为列名，这种情况下，
students_data.csv中的第二行到最后一行数据作为data中的有效数据。header = F
表示不将students_data.csv中的第一行数据设置为列名，这种情况下，students_data.csv
中的第一行到最后一行数据作为data中的有效数据。
第二步：进行主成分分析
student.pr <- princomp(data, cor = T)
注：cor = T的意思是用相关系数进行主成分分析。
第三步：观察主成分分析的详细情况
summary(student.pr, loadings = T)
执行完这一步的具体结果如下：

说明：结果中的Comp.1、Comp.2、Comp.3和Comp.4是计算出来的主成分，Standard deviation代
表每个主成分的标准差，Proportion of Variance代表每个主成分的贡献率，Cumulative
Proportion代表各个主成分的累积贡献率。每个主成分都不属于X1、X2、X3和X4中的任何一个。
第一主成分、第二主成分、第三主成分和第四主成分都是X1、X2、X3和X4的线性组合，也就是说最原始
数据的成分经过线性变换得到了各个主成分。然而并不是每个主成分的作用都非常关键，因此，我们只选
择作用比较关键的几个，一般地，选择累积贡献率达到八成的前几个主成分即可（这个实例中我们选择前
两个，毕竟第二主成分的贡献率也比较大）。
    接下来，在得到主成分的基础上进行回归也好进行聚类也好，就不再使用原始的X1、X2、X3和X4
了，而是使用主成分的数据。但现在还没有各个样本的主成分的数据，所以，最后一步就是得到各个样本主成分的数据。
第四步：计算得到各个样本主成分的数据
pca_data <- predict(student.pr)
得出的结果如下：

我们只保留Comp.1和Comp.2的数据即可。
结束：到此，大功告成，接下来可以做自己想做的事情了。