这些是前两个主成分（参见主成分分析，PCA）。这个网站上有大量关于 PCA 的信息，包括百科全书主题，对你来说，这是我的简单解释。

因为数据可能是多变量的，所以检查所有许多双变量散点图可能很乏味。相反，一个“总结”散点图更方便，前两个（或可能是前三个）主要成分的散点图是从数据中得出的。“48.76% 的可变性”表示，对于您的数据，关于多变量数据的信息几乎有一半是由该组件 1 和 2 的图捕获的。如果您添加第三个组件 - 通过添加第三个轴或通过气泡散点图 - 解释变异性的百分比会更高，您可能会发现，右边的两个集群没有混合，并且在空间中更接近分离。

虽然通常您可以预期 1-2 或 1-2-3 分量散点图将展示单独的集群（如果有的话），但没有规则或保证会发生这种情况。有时，集群仅在捕获一小部分可变性的高维度（即“弱”组件）中显得不同。我建议您阅读本网站的这些和其他帖子：1、2、3。

您还应该知道，当 PCA 基于未缩放的变异性（“协方差”）和未缩放的变异性（“相关性”）时，主成分可能会完全不同。