下一个选项卡的标题为“载荷”，提供了与本指南前面讨论过但未明确提及的主题相关的信息。该表将每个选定PC的载荷作为单独的一列，并在单独的一行中列出每个原始变量。虽然单个载荷由一组多个值（每个独立变量一个值）定义，但在特定变量和计算载荷的PC之间这些独立值具有相关性。

换言之，任何给定PC的载荷提供了每个变量与该PC相关程度的信息。总体而言，这是观察PC与每个原始变量“匹配”程度的另一种方式非常类似于PC特征向量的概念。谨记：特征向量代表定义PC的变量的线性组合系数。单个特征向量由多个值定义，每个原始变量有一个系数值。这些系数还提供了PC与每个变量匹配程度的信息：系数越大，表明该变量对PC的影响越大。

回想一下PC的特征向量总是长度为1。这就是载荷、特征向量和特征值三者之间的关系：

特征向量是单位缩放载荷！

有一些奇特的数学方法可以证明这种关系，但底线是特征向量的长度为1，载荷只是特征向量的“缩放”版本。按什么缩放？特征值！从技术上讲是特征值的平方根。完整关系如下：

载荷=特征向量* √（特征值）

载荷也可用于通过使用载荷图（稍后讨论）直观地表示变量之间相关性的相对强度。下面是示例数据的PCA载荷表和特征向量表（默认情况下不显示）。

载荷

特征向量