默认情况下，Prism通过PCA显示的最后一个选项卡是PC评分选项卡。在介绍特征值和特征向量时，已经简要讨论过每个主成分的“评分”概念。如前所述，PC只是数据集中变量的线性组合，这些线性组合的系数由PC的特征向量给出。我们的示例考虑了PC1。该成分的变量线性组合（使用PC1的特征向量值）如下：

PC1=0.552*（变量A）+0.553*（变量B）-0.227*（变量C）+0.181*（变量D）-0.530*（变量E）

只需将标准化（或居中）数据的值插入到该等式中，即可计算PC1的“评分”。每行数据对应于每个PC的单个“评分”。例如，该分析中第一行的标准化数据是：

 

因此，计算PC1的第一个评分如下：

PC1=0.552*（-1.608）+0.553*（-1.615）-0.227*（-0.907）+0.181*（1.577）-0.530*（1.392）=-1.981

PC1的剩余评分和所有其他选定成分的评分可以用相同的方法计算，从而得到由Prism显示的PC评分表：

PC评分结果表

 

随后，这些评分可用于创建用于分析的“评分图”。这些图表将在另一节中予以详细描述，但通常的想法是，这些评分图允许将原始数据投影到由两个选定的主成分定义的二维空间中。这非常直观地表示了PCA降维目标。

PC评分图（PC1 vs PC2）