clc,clear data=[123 54 66 ... 25 333 89]; n=size(data,1); x=data x=zscore(x); %数据标准化 r=cov(x) %求标准化数据的协方差阵，即求相关系数矩阵 [vec,val,con]=pcacov(r) %进行主成分分析的相关计算 num=input('请选择主因子的个数：'); %交互式选择主因子的个数 f1=repmat(sign(sum(vec)),size(vec,1),1); vec=vec.*f1; %特征向量正负号转换 f2=repmat(sqrt(val)',size(vec,1),1); a=vec.*f2 %求初等载荷矩阵 am=a(:,1:num); %提出 num 个主因子的载荷矩阵 [b,t]=rotatefactors(am,'method', 'varimax') %旋转变换,b 为旋转后的载荷阵 bt=[b,a(:,num+1:end)]; %旋转后全部因子的载荷矩阵 contr=sum(bt.^2) %计算因子贡献 rate=contr(1:num)/sum(contr) %计算因子贡献率 coef=inv(r)*b %计算得分函数的系数 score=x*coef %计算各个因子的得分 weight=rate/sum(rate) %计算得分的权重 Tscore=score*weight' %对各因子的得分进行加权求和，即求各地区综合得分 把这段代码改写成R语言代码

下面是将该 MATLAB 代码转换为 R 代码的过程，实现相同的主成分分析和旋转变换的功能：

# 载入数据
data <- c(123, 54, 66, ..., 25, 333, 89)

# 数据标准化
x <- scale(data)

# 求标准化数据的协方差阵，即求相关系数矩阵
r <- cov(x)

# 进行主成分分析的相关计算
pca_res <- prcomp(x, scale = TRUE)

# 交互式选择主因子的个数
num <- readline(prompt = "请选择主因子的个数: ")
num <- as.integer(num)

# 特征向量正负号转换
f1 <- matrix(sign(rowSums(pca_res$rotation)), nrow = ncol(pca_res$rotation), ncol = ncol(pca_res$rotation))
vec <- pca_res$rotation * f1

# 求初等载荷矩阵
f2 <- matrix(sqrt(pca_res$sdev), nrow = ncol(pca_res$rotation), ncol = ncol(pca_res$rotation), byrow = TRUE)
a <- vec * f2

# 提出 num 个主因子的载荷矩阵
am <- a[, 1:num]

# 进行旋转变换，b 为旋转后的载荷阵
library(psych)
rot_res <- varimax(am)
b <- rot_res$loadings

# 旋转后全部因子的载荷矩阵
bt <- cbind(b, a[, num+1:ncol(a)])

# 计算因子贡献和因子贡献率
contr <- apply(bt, 2, function(x) sum(x^2))
rate <- contr[1:num] / sum(contr)

# 计算得分函数的系数
coef <- solve(r) %*% b

# 计算各个因子的得分
score <- x %*% coef

# 计算得分的权重
weight <- rate / sum(rate)

# 对各因子的得分进行加权求和，即求各地区综合得分
Tscore <- score %*% weight

需要注意的是，在 R 语言中，主成分分析可以使用 `prcomp()` 函数来实现，旋转变换可以使用 `psych` 包中的 `varimax()` 函数。此外，R 语言中没有像 MATLAB 中的 `input()` 函数可以进行交互式输入，可以使用 `readline()` 函数替代。