Graphique du score PCA

InterdisciplinaireNature Methods

Analyse en composantes principales (PCA) tracé de score 2D, affiche les relations de regroupement entre les échantillons.

Éditeur: OOPLOT

Publié: 2026/4/1

ID: 22

Usage: 0·Vues: 0·Favoris: 0

PYTHONmatplotlibsklearn

Paramètres (6)

• Width (Défaut: 8)
• Height (Défaut: 8)
• DPI (Défaut: 300)
• Transparency (Défaut: 0.7)
• Point size (Défaut: 60)
• et 1 paramètres supplémentaires...

Utiliser ce modèle

Créer à partir de ce modèle

Héritage de modèles

Mère:Aucun

Enfants:Aucun

Exigences en matière de format de données

Colonnes obligatoires

Sample label（First column）CatégoriqueRequis

Contraintes de ligne: Au moins 6 lignes

Exemples de données

Vous pouvez directement copier et enregistrer sous data.csv pour le téléchargement.

Label,Feature1,Feature2,Feature3
GroupA,2.3,5.1,3.8
GroupA,2.5,5.3,3.9
GroupA,2.1,4.9,3.7
GroupA,2.4,5.2,3.6
GroupA,2.6,5.0,4.0
GroupB,7.2,6.5,8.1
GroupB,7.0,6.7,8.0
GroupB,7.3,6.4,8.2
GroupB,7.1,6.6,7.9
GroupB,7.4,6.8,8.3
GroupC,1.1,2.9,4.4
GroupC,1.3,3.0,4.5
GroupC,1.0,2.8,4.3
GroupC,1.2,3.1,4.2
GroupC,1.4,2.7,4.6

Aperçu du graphique

PCA Score plot Python matplotlib Interdisciplinary Science scientific chart template preview

Comment utiliser

1.Extraire/Rechercher/Créer un modèle

Téléchargez des images pour que l'IA extraie des modèles en un clic, recherchez et sélectionnez des modèles, ou créez des modèles.

2.Voir les données d'exemple

Consultez les données d'exemple et modifiez la structure des données manuellement ou via l'IA pour répondre aux exigences du modèle.

3.Télécharger des données et exécuter

Téléchargez des données, exécutez le modèle, prévisualisez les résultats et ajustez les paramètres/le code pour modifier le modèle et le graphique.

4.Enregistrer et exporter le graphique

Exportez les graphiques aux formats PNG / JPG / SVG / PDF ou enregistrez-les dans OOPLOT.