PC评分图可以直观表示通过PCA实现的降维。定义PC后，使用定义每个PC的线性组合来计算每个PC的评分。例如，定义PC1和PC2的线性组合如下（从PC1和PC2的特征向量获得的系数）：

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）

PC2=-0.246*（变量A）-0.094*（变量B）-0.634*（变量C）+0.694*（变量D）+0.215*（变量E）

将每个变量的标准化数据值输入到这些公式中，生成PC评分表。然后，如果分别在水平轴和垂直轴上绘制PC1和PC2，则最终将得到以下图表，其中每个点代表原始数据表的一行：

使用这种类型的图表，通常可以观察到数据点的集群。例如，在上图中，左半部分的所有点对应于原始数据中的第1-5行，而右半部分的点对应于数据中的第6-11行。

在包含两个以上选定成分的PCA中，有时查看不同成分组合（PC1和PC3、PC2和PC3等）之间的关系会很有用。但请谨记：第一个成分比第二个成分包含更多“信息”（以解释方差的形式），第二个成分比第三个成分包含更多“信息”，依此类推。因此，最有用的信息通常在比较前几个成分的图表上。