• 技术文章 >Python技术 >Python基础教程

    python中PCA的处理过程

    小妮浅浅小妮浅浅2021-09-07 11:26:40原创114

    1、输入矩阵归一化处理。

    2、计算样本协方差矩阵。

    3、求解协方差矩阵指定的最大特征值对应特征向量。

    4、确定转换矩阵,求解降维数据。

    实例

    #/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 *
     
    # 首先导入数据,此部分为从存储列表或单元中读取分析数据
    def loadDataSet(filename, delim='\t'):    #此处的'\t'表示不同变量间的分隔符,t表示tab键键入的空格
        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)
     
     
    # 定义pca分析函数
    def pca(dataset, topNfeat = 99999):        #topNfeat最大特征值数目,通常不用设置,因为后续要进行可视化分析                
        meanVals = np.mean(dataset, axis=0)    #求均值
        meanRemoved = dataset - meanVals       #预处理
        covMat = np.cov(meanRemoved, rowvar=0) #求解输入数据协方差矩阵
        eigVals, eigVects = np.linalg.eig(np.mat(covMat))    #求解特征值,特征向量
        eigVaInd = np.argsort(eigVals)         #对特征值进行排序处理,默认为升序
        eigVaInd = eigVaInd[-1:-(topNfeat):-1] #根据指定数目进行逆序处理
        redEigVects = eigVects[:,eigVaInd]     #选取对应特征向量
        lowDataMat = meanRemoved * redEigVects #数据降维X*P
        recontMat = (lowDataMat * redEigVects.T) + meanVals #c处理进行了数据重构,非必须选项
        return lowDataMat, recontMat, eigVals  #返回数据
     
    # 定义特值值绘制函数
    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('累计方差百分比')
     
        ax2 = fig.add_subplot(212)
        ax2.plot(X.T, (dataset[0:numFeat].T)*100, 'b-*')
        plt.xlabel('主成分数')
        plt.ylabel('方差百分比')
        plt.show()
     
    # 定义原始数据及第一主成分绘制函数
    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的处理过程,希望对大家有所帮助。更多Python学习指路:python基础教程

    专题推荐:python pca
    品易云
    上一篇:python快速排序算法的使用 下一篇:如何用python画月饼

    相关文章推荐

    • python中pdb的中断控制• python中pdb有哪些调试命令• python标识符的使用注意• python字符串的基础操作• python列表的基本用法• Python爬虫数据采集为什么一定要用代理技术?• Python集合有什么特点• Python字典的特点• python三种流程控制的介绍• python uiautomator2的点击操作• python socket的连接步骤• python使用VS接收数据• python中echo服务器的介绍• python中requests如何优化接口调用• python快速排序算法的使用

    全部评论我要评论

    © 2021 Python学习网 苏ICP备2021003149号-1

  • 取消发布评论
  • 

    Python学习网