Python实现PCA主成分分析降维

Python实现PCA主成分分析降维

本代码演示如何使用Python中的NumPy和Scikit-learn库对数据进行主成分分析（PCA）降维处理。

代码功能：

1. 从CSV文件读取数据。
2. 对数据进行标准化处理。
3. 使用PCA将3维数据降至2维。
4. 打印降维后的数据。

代码：

import numpy as np
import pandas as pd
from sklearn.decomposition import PCA

# 从CSV文件读取数据
data = pd.read_csv('data3全平均.csv', header=None)
data = data.values
x = data[:, 0:3]

# 数据标准化
for i in range(25):
    x[i, 0] = (x[i, 0] - 2.6076) / 0.4792901
    x[i, 1] = (x[i, 1] - 95.88) / 0.798759455
    x[i, 2] = (x[i, 2] - 86.6072) / 1.218528894

# PCA降维
pca = PCA(n_components=2)
x_pca = pca.fit_transform(x)

# 打印降维后的数据
print(x_pca)

代码说明：

1. 首先，使用pd.read_csv()函数从CSV文件中读取数据，并将其转换为NumPy数组。
2. 然后，对数据进行标准化处理，使得每个特征的均值为0，标准差为1。
3. 接下来，使用PCA()函数创建一个PCA对象，并指定要降至的维度为2。
4. 使用fit_transform()方法对数据进行PCA降维。
5. 最后，打印降维后的数据。

注意：

• 本代码中的数据文件名为'data3全平均.csv'，请根据实际情况修改。
• 可以根据需要修改降维后的维度。

希望这段代码可以帮助您理解如何使用Python进行PCA降维处理。