iris       <- read.csv("Iris.csv",header=TRUE,row.names = 1)      # acuerdar row.names
#########################
library(FactoMineR)
data       <- iris                                                # nombre genérico por la seguida
n          <- dim(data)[1]                                        # número de filas-unidades
p          <- dim(data)[2]-1                                      # número de columnas-variables < n
round(cor(data[,1:p]),3)                                                   # matríz de correlación
#########################
data.pca   <- PCA(data, quali.sup = 5, ncp=p, graph = FALSE)      # graph = FALSE solo para mi  
                                                                  # ncp = p para tener todo
sum(data.pca$eig[,1])                                             # tiene que igualar a p  
data.pca$eig                                                      # tabla de autovalores                                      
# Cada autovalor se corresponde a la inercia a lo largo del factor correspondiente
# se resultan dos autovalores mayores de 0.7. Comenzamos para estas 2 dimensiones, que sintetizan 
# 96% de inercia total.
############################################################################################
# resultados por cada dimension
nf <- 2   #  2 factores
lv     <- data.pca$var       # memorización de los resultados de variables
vcum   <- t(apply(lv$cos2*100,1,cumsum)) # se ajunta la calidad cumulada
noquote(paste("Average contribution of variables = ", round(100/p,3),".", sep=""))
tabvar <- list()             # lista con resultados
for (i in 1:nf) {            # se construyen nf tablas
  tvar <- round(cbind(lv$contrib[,i],lv$coord[,i],lv$cos2[,i]*100,vcum[,i]),3)
  colnames(tvar) <- c("contributions","correlations","quality","cum.qual.")
  tabvar[[i]] <- tvar
}
tabvar
# Factor 1: Contribuciónes fuertes Petal.length > Petal.width > Sepal.length
#           factor de tamaño de las flores (sin Sepal.width), tres correlaciones muy fuertes
#           sino una certa correlación negativa con Sepal.width.
#           Muy buena Calidad de representación con todos, sino Sepal.width.
# Factor 2: Contribución fuerte de Sepal_width (85%). Correlación con esta muy fuerte, medio-debil
#           con la Sepal.length.
li <- data.pca$ind           # memorización de los resultados de unidades
icum <- t(apply(li$cos2*100,1,cumsum)) # se ajunta la calidad cumulada
noquote(paste("Average contribution of units = ", round(100/n,3),".", sep=""))
tabind <- list()             # lista con resultados
for (i in 1:nf) {            # se construyen nf tablas, con datos rondeados
  tind <- round(cbind(li$dist,li$contrib[,i],li$coord[,i],li$cos2[,i]*100,icum[,i]),3)
  colnames(tind) <- c("distance","contributions","coordinates","quality","cum.qual.")
  tabind[[i]] <- tind
}
tabind
# 
##################
plot.PCA(data.pca,choix = "var", axes=c(1,2),graph.type="classic")
# Sobre el plan 1-2 se vee Sepal. width casi independiente de las demás, fuertemente correladas entre 
# ellas. 
plot.PCA(data.pca,choix = "ind", axes=c(1,2),graph.type="classic")
# Sobre el plan 1-2 se distingue muy bien las flores setosa, con tamaño notevolmente menor de las 
# demás: su variabilidad depende sobre todo del ancho (y longitud) de los sepalos. 
# Distinción menor para las dos otras especies.
##################
lqs  <- data.pca$quali.sup   # memorización de los resultados de cualitativa
lqs$eta2
qcum <- t(apply(lqs$cos2*100,1,cumsum)) # se ajunta la calidad cumulada
tabqs <- list()             # lista con resultados
for (i in 1:nf) {            # se construyen nf tablas, con datos rondeados
  tqs <- round(cbind(lqs$dist,lqs$coord[,i],lqs$v.test[,i] ,lqs$cos2[,i]*100,qcum[,i]),3)
  colnames(tqs) <- c("distance","coordinates","v.test","quality","cum.qual.")
  tabqs[[i]] <- tqs
}
tabqs
# las especies se distinguen muy bien sobre el 1 factor, versicolor un poco sobre el 2.
################################################################################################