python中PCA的處理過程

1、輸入矩陣歸一化處理。

2、計算樣本協方差矩陣。

3、求解協方差矩陣指定的最大特徵值對應特徵向量。

4、確定轉換矩陣，求解降維資料。

例項

#/usr/nom/env python
# _*_coding:utf-8_*_
# @Time      :2021/9/3 10:04
# @Author    :A bigfish
# @FileName  :maindemo13.py
# @Software  :PyCharm
 
import matplotlib.pyplot as plt
import numpy as np
from pylab import *
 
# 首先匯入資料，此部分為從儲存列表或單元中讀取分析資料
def loadDataSet(filename, delim='t'):    #此處的't'表示不同變數間的分隔符，t表示tab鍵鍵入的空格
    fr = open(filename)
    stringArr = [line.strip().split(delim) for line in fr.readlines()]
    dataArr = [list(map(float, line)) for line in stringArr]
    return np.mat(dataArr)
 
 
# 定義pca分析函式
def pca(dataset, topNfeat = 99999):        #topNfeat最大特徵值數目，通常不用設定，因為後續要進行視覺化分析                
    meanVals = np.mean(dataset, axis=0)    #求均值
    meanRemoved = dataset - meanVals       #預處理
    covMat = np.cov(meanRemoved, rowvar=0) #求解輸入資料協方差矩陣
    eigVals, eigVects = np.linalg.eig(np.mat(covMat))    #求解特徵值，特徵向量
    eigVaInd = np.argsort(eigVals)         #對特徵值進行排序處理，預設為升序
    eigVaInd = eigVaInd[-1:-(topNfeat):-1] #根據指定數目進行逆序處理
    redEigVects = eigVects[:,eigVaInd]     #選取對應特徵向量
    lowDataMat = meanRemoved * redEigVects #資料降維X*P
    recontMat = (lowDataMat * redEigVects.T) + meanVals #c處理進行了資料重構，非必須選項
    return lowDataMat, recontMat, eigVals  #返回資料
 
# 定義特值值繪製函式
def plotEig(dataset, numFeat=20):            
    mpl.rcParams['font.sans-serif'] = ['Times NewRoman']
    sumData = np.zeros((1, numFeat))
    dataset = dataset / sum(dataset)
    for i in range(numFeat):
        sumData[0, i] = sum(dataset[0:i])
 
    X = np.linspace(1, numFeat, numFeat)
    fig = plt.figure()
    ax = fig.add_subplot(211)
    ax.plot(X, (sumData*100).T, 'r-+')
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    plt.ylabel('累計方差百分比')
 
    ax2 = fig.add_subplot(212)
    ax2.plot(X.T, (dataset[0:numFeat].T)*100, 'b-*')
    plt.xlabel('主成分數')
    plt.ylabel('方差百分比')
    plt.show()
 
# 定義原始資料及第一主成分繪製函式
def plotData(OrigData, recData):
    import matplotlib.pyplot as plt
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(OrigData[:,0].flatten().A[0], OrigData[:, 1].flatten().A[0], c='blue',marker='^', s=90)
    ax.scatter(recData[:, 0].flatten().A[0], recData[:, 1].flatten().A[0], c='red', marker='o',s=90)
plt.show()

以上就是python中PCA的處理過程，希望對大家有所幫助。更多Python學習指路：