Correction de l’exercice sur l’ACP (jeu de données microbiota.abundance)

# Charger les library
library(FactoMineR)
library(factoextra)

# Charger les jeux de données
abonDF = readRDS(file = "../seance_2/data/microbiota.abundance.log.RDS")
metadata = readRDS(file = "../seance_2/data/metadata.RDS")

Réaliser une ACP centrée réduite sur ce jeu de données.

res.pca = PCA(abonDF, graph = FALSE)

1. Quel pourcentage de la variance expliquée est représentée dans le premier plan factoriel ?

fviz_eig(res.pca, addlabels = TRUE, ylim = c(0, 50))

8% de la variance est expliquée dans le premier plan factoriel

2. Proposez une représentation graphique des individus avec les individus malades d’une couleur et les individus sains d’une autre.

fviz_pca_ind(res.pca, 
             geom.ind = "point", 
             habillage = metadata$status, 
             addEllipses = TRUE)

3. Proposez une représentation graphique des individus avec les enterotypes de trois couleurs différentes. Que constatez-vous ?

fviz_pca_ind(res.pca, 
             geom.ind = "point", 
             habillage = metadata$Enterotype, 
             addEllipses = TRUE)

# --> Message d'erreur: Error in `[.data.frame`(X$call$X, rownames(ind), grp, drop = FALSE) : undefined columns selected

metadata$Enterotype

##   [1]  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  2  1  1
##  [24]  1  1  1  2  1  1  1  1  1  2  2  1  2  2  1  1  1  1  2  1  1  1  1
##  [47]  1  1  2  1  2  1  1  1  1  1  1  1  1  1  2  2  1  1  1  2  1  2  1
##  [70]  3  1  1  1  1  1  1  3  1  1  1  2  1  2  3  1  1  3  1  1  1  1  2
##  [93]  1  3  1  3  3  1  1  2  1  1  1  2  3  1  1  2  1  1  3  1  1  2  1
## [116]  2  3  1  2  3  2  1  2  1  1  3  3  1  3  1  2  1  3  1  3  1  2  3
## [139]  3  2  1  1  2  1  3  3  1  3  1  2  3  3  3  2  1  2  2  1  3  1  1
## [162]  3  3  1  1  3  2  2  2  1  1  1  1  3  3  1  2  1  1  3  1 NA NA NA
## [185] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [208] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [231] NA NA NA NA NA NA NA

all.equal(rownames(abonDF), rownames(metadata))

## [1] TRUE

na.enterotypes = which(is.na(metadata$Enterotype))

res.pca2 = PCA(abonDF[-na.enterotypes, ], graph = FALSE)

fviz_pca_ind(res.pca2, 
             geom.ind = "point", 
             habillage = as.factor(metadata$Enterotype[-na.enterotypes]), 
             addEllipses = TRUE,
             ellipse.level = 0.5,
             axes = c(1,2))

# Contribution des variables aux axes
fviz_contrib(res.pca, choice = "var", axes = 1, top = 10)

fviz_contrib(res.pca, choice = "var", axes = 3, top = 10)