第一步，对所有样本进行中心化

第二步，求特征协方差矩阵

第三步，求协方差矩阵的特征值和特征向量

第四步，将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵

第五步，将样本点投影到选取的特征向量上(用欧氏距离方程计算点间距离)

library(factoextra)
library(stringr)

data <- t(TPM)
all_0_col <- which(apply(data, 2, var)==0)    # 删除方差为0的列
data.pca <- prcomp(data[,-all_0_col], scale. = T)  #对数据标准化后做PCA，这是后续作图的文件 
## 画图
# 设置分组：
group=str_sub(colnames(TPM),1,1)     ## 样本
fviz_pca_ind(data.pca, 
             col.ind=group, 
             mean.point=F,  # 去除分组的中心点
             label = "none", # 隐藏样本标签
             addEllipses = T, # 添加边界线
             legend.title="Groups",
             ellipse.type="confidence", # 绘制置信椭圆 
             ellipse.level=0.9) +
  # palette = c("#CC3333", "#339999"))+  #Cell配色哦 
  theme(panel.border = element_rect(fill=NA,color="black", size=1, linetype="solid"))#加个边框

参考

https://www.jianshu.com/p/fc6fb815c170
https://blog.csdn.net/weixin_59909329/article/details/123985532