构造主成分的表达式（综合指标），并做分析test_test <- read.table("D:/R/R Code/5/Chap7/test_score.csv", sep=",", header=T)R <- round(cor(test), 3) <- princomp(test, cor=T)summary(test_PCA, loadings=T)# 找出第一个主成分（PC1）上得分较高的学生test[c(6,7,45,30,49),]# 找出第二个主成分（PC2）上得分较高的学生test[c(26,33,8),]# 获取这些学生在主成分上的得分samplePC <- (round(test_PCA$scores,3))[c(6,7,45,30,49,26,33,8),]rownames(samplePC) <- c(6,7,45,30,49,26,33,8)samplePC# 也可以使用另一种方式获取这些学生在主成分上的得分samplePC2 <- round(predict(test_PCA),3)[c(6,7,45,30,49,26,33,8),]rownames(samplePC2) <- c(6,7,45,30,49,26,33,8)samplePC2

构造主成分的表达式，可以用以下公式：

PC1 = a1 * test1 + a2 * test2 + a3 * test3 + ... + an * testn
PC2 = b1 * test1 + b2 * test2 + b3 * test3 + ... + bn * testn
...
PCn = k1 * test1 + k2 * test2 + k3 * test3 + ... + kn * testn

其中，test1 ~ testn 为原始指标，a1 ~ an，b1 ~ bn，...，k1 ~ kn 为主成分系数。

主成分系数的绝对值越大，说明该原始指标对应的主成分权重越大，即在该主成分上的影响力越大。而主成分得分则是每个个体在主成分上的投影值，反映个体在该主成分上的表现。

在上述代码中，使用了 princomp 函数进行主成分分析，并通过 summary 函数输出了主成分系数和方差贡献率等信息。接着，通过 test_PCA$scores 获取每个学生在主成分上的得分，用 samplePC 和 samplePC2 两种方式获取了特定学生在主成分上的得分。