以下是一个使用Python的示例代码，展示如何生成不同的主成分分析(PCA)图：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# 生成示例数据
np.random.seed(0)
X = np.random.randn(100, 2)  # 100个样本，每个样本2个特征

# 初始化PCA模型
pca = PCA(n_components=2)

# 拟合数据
pca.fit(X)

# 绘制原始数据
plt.scatter(X[:, 0], X[:, 1], alpha=0.8)

# 绘制第一主成分
first_component = pca.components_[0]
plt.arrow(0, 0, first_component[0], first_component[1], color='red', width=0.1)

# 绘制第二主成分
second_component = pca.components_[1]
plt.arrow(0, 0, second_component[0], second_component[1], color='blue', width=0.1)

# 添加标签
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')

# 设置图形显示范围
plt.xlim(-3, 3)
plt.ylim(-3, 3)

# 显示图形
plt.show()

这段代码生成了一个散点图，展示了原始数据的分布，并使用箭头表示了第一和第二主成分的方向。你可以根据需要调整数据生成和绘图参数，以适应特定的问题和数据集。