多元统计是数理统计的一个分支。近年随着数据挖掘、机器学习等等相关领域的发展，很多多元统计方法也随之“出圈”（特别是主成分分析和聚类分析），成为数据科学常用方法的组成部分，甚至衍生出了更多复杂精妙的新算法。另有一些多元统计方法（比如因子分析和对应分析），依旧活跃在社会科学或生物这样的传统统计用户群中。R作为统计编程语言，有大量用于实现多元统计方法的函数和包。
在这些R包中，FactoMineR包从探索性分析的角度（对数据集进行描述、绘制并可视化）对几种传统的多元统计方法进行了扩展，包括如下方法1）降维方法：主成分分析（PCA）、因子分析（FA，包括多重因子分析MFA、层次多重因子分析HMFA以及混合数据因子分析FAMD）、对应分析（CA，包括多重对应分析MCA）（2）聚类分析方法：层次聚类、k-均值聚类和基于模型的聚类。FactomineR很好地整合了多元分析的结果，还具有如下特点：可以考虑不同类型的变量（定量或分类）、不同类型的数据结构（变量划分、变量层次结构、个体划分）以及补充信息（补充个体和变量）。
factoextra包是FactoMineR的一个补充。它使用FactoMineR（以及其他R包：stats、ade4、ExPostion）的计算结果，在ggplot2的基础上给出了多元分析结果更美观的可视化。
1、降维方法
FactoMineR和factoextra包括的降维方法如图-1所示，可以根据数据变量的特点（定量/数值、定性/分类、混合）对这些方法进行区分。
图-1
这些降维方法有着类似的思想（但是不同的算法），都是采用原始变量的线性组合作为新的变量，选择新变量都使用了特征值特征向量方法，用特征值的大小体现新变量的重要性，用相关性体现新变量与原始变量或观测之间的关系。
1-1主成分分析（PCA）
例：洛杉矶街区数据
来自美国人口普查局年的数据，包括了洛杉矶地区个街区，15个变量。使用rvest包，从网络获取这个数据集。它的15个变量如下表所示：
表：洛杉矶街区数据集
我们只使用其中的六个变量（In