主成分得分图直观地展示了PCA实现的维度缩减效果。定义主成分后，会利用定义各主成分的线性组合来计算每个主成分的得分。例如，定义PC1和PC2的线性组合如下（系数取自PC1和PC2的特征向量）：

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)

将各变量的标准化数据值代入这些公式，即可生成主成分得分表。若将PC1和PC2分别绘制在横轴和纵轴上，最终将得到如下图所示的图表，其中每个点代表原始数据表中的一行：

通过此类图表，通常可以观察到数据点的聚类现象。例如，在上图中，图表左半部分的所有点对应原始数据中的第1至5行，而右半部分的点则对应数据的第6至11行。

在选择超过两个主成分的PCA分析中，有时观察不同主成分组合之间的关系（如PC1与PC3、PC2与PC3等）会很有帮助。但请记住，第一个主成分包含的“信息”（以解释方差的形式体现）比第二个多，第二个又比第三个多，以此类推。因此，最有用的信息通常出现在比较前几个主成分的图表中。