首先，我们要知道这两个方法都是用于数据降维。在多变量，大样本的情况尤为适用。
那么，接下来我将以我理解的最简单的话来介绍它们，在此说明，若想要严谨，数学证明得大家自己去推。
那么什么叫做主成分分析？
主成分分析，又叫PCA.
是把多个原始变量进行线性组合来形成新的变量。
那么有人就会问，为什么要形成新的变量？不是有吗？
对，确实是有，但是变量太多，分析太复杂太困难了。
比如说，大学学生成绩，一共有90门科目，那么一个学生的成绩水平如何去衡量？当然是加权成绩啦！那么加权成绩就是这90个科目成绩变量的线性组合形成的新变量。
主成分就可以表示为:
a 表示权重，x表示原始变量
接下来，将以图的形式来直观的说明一下：
以下为身高和体重的12份数据x1,x2
可以看到，在y1方向上数据的信息更加充分表达数据之间的差异，y1 y2就是x1 与x2的线性组合。我们可以只用y1就可以代表原信息的80%以上，那么就可以抛弃y2，就实现的降维处理。
2-3个变量我们还可以通过图像看到主成分分析的几何解释，当变量超出我们可以感知的维度时我们就只能用数学去‘感觉'了。
那么主成分的系数如何计算呢？
要是在这里写出数学公式岂不是太扫兴了？
主成分就是找出数据在哪个方向变化最大，在统计中衡量一组数据变化的统计量是什么？没错，就是方差
由于要求各主成分不相关（就是要消除变量之间的相关性，要是提出来的主成分相关，还提它干什么？）
所以各主成分必须正交呗！什么叫正交？emmm，看上面，二维三维就是垂直。
二维上最多两个方向互相垂直，三维最多三个方向互相垂直，以此类推，n维（n个原始变量）最多n个方向垂直呗。所以，我们最多能计算出多少个主成分？对，也是n个。
能计算出n个，不代表就要n个，毕竟我们的目的是降维嘛！况且，除了前面的主成分，后面的主成分解释比例基本上不足1%,要他干嘛？
这样我们就把几十个变量变成几个变量，损失信息也不超过20%。
至于系数，当然是通过原始变量的相关系数矩阵的特征值和特征向量来计算的（具体计算就不写了，需要可以联系我，程序就只是一丢丢）。
程序实现（R）
1、数据为某市13个行业8项重要经济指标，其中x1为年末固定资产净值；x2为职工人数数据；x3为工业总产值；x4为全员劳动生产率；x5为百元固定资产原值实现值；x6为资金利税率；x7为标准燃料消耗率；x8为能源利用效率。
cor(data)
eigen(cor(data))
PCA = princomp(x,cor=T) ;summary(PCA)
PCA$loadings
你还可以计算各个样本在各个主成分下的得分。
接下来的分析就得仁者见仁，智者见智了，看各位自己的数据了。
什么叫做因子分析
因子分析，和主成分一样，也是一种降维技术，那么有人会问，二者有什么区别呢？且容我慢慢说，说完之后你们就完全不知道二者有什么区别了。
因子分析是假设我们数据中的变量里有一些共同的东西，专业术语叫做共同因子，还有一些特殊自己独有的东西，叫做特殊因子。
举个栗子，
现在，收集到你的身高，体重，睡眠时间，高数成绩，有没女朋友，这些变量，因子分析认为：
呀！你看你这么胖，成绩还不错，还有个女朋友，这里面肯定有些共同的因子在作用着。说不定是学习水平，
但是学习水平是测不出来的隐性因子，哎，没办法，只能通过这些原始变量来推出来的。
x代表变量，F代表因子，a代表参数。
有没有点眼熟，这不就是反过来的主成分分析嘛！
那么因子分析的系数如何求得？
让你们失望了，还是没有公式推导，当然，你们可以选择找我，我给你们发过来。
因子分析和主成分分析不同，主成分的参数是计算出的。
它的参数是估计的，有2种方式。
1、主成分法 线代 通过矩阵的普分解
2、极大似然法 统计
好了，假设参数你们算完了。各因子之间也是不相关的，比如你提出来了一个学习水平因子，你还能提出来一个知识水平因子吗？
既然是降维，那么肯定也涉及到选择因子的问题，因子和主成分一样，也可以提出more and more 因子，所以我们也只选择可以解释大部分信息的前几个因子，并且分析各因子的具体意义。（——这个是最难的，毕竟，前面说的东西，几行代码就全解决了。）
举个例子
程序实现
最大似然法计算因子分析 FAQ = factanal(x,4,rotation = "none")
主成分因子法计算因子分析 Fac = factpc(x,4) ; Fac
到这里，还远远没有结束，因子分析还有旋转因子，因子分析图，以及最重要的结果分析，但是，
我统统都不介绍，对于简单的想了解，我认为这就够了。
高山仰止，景行行止，虽不能至，然欣然向往之！
