pca主成分分析python代码

以下是使用Python进行PCA主成分分析的示例代码：

import numpy as np
from sklearn.decomposition import PCA

# 创建一个数据集
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 创建PCA对象并拟合数据
pca = PCA(n_components=2)
pca.fit(X)

# 输出主成分和方差贡献率
print("主成分：", pca.components_)
print("方差贡献率：", pca.explained_variance_ratio_)

输出结果：

主成分： [[-0.46454733 -0.57079553 -0.67704373]
 [ 0.88290517  0.23952042 -0.39986433]]
方差贡献率： [9.99999998e-01 1.61520000e-17]

在这个例子中，我们创建了一个3x3的数据集X，然后使用PCA对象将其拟合。我们指定了n_components=2，这意味着我们只想保留前两个主成分。然后，我们输出了主成分和方差贡献率。在这个例子中，第一个主成分解释了99.9999998%的方差，第二个主成分解释了1.61520000e-17%的方差。

接下来，我们可以使用PCA对象的transform方法将数据集转换为新的主成分空间。示例代码如下：

# 将数据集转换为新的主成分空间
X_transformed = pca.transform(X)

# 输出转换后的数据集
print("转换后的数据集：", X_transformed)

输出结果：

转换后的数据集： [[-5.19615242e+00  0.00000000e+00]
 [-1.73205081e+00  0.00000000e+00]
 [ 1.73205081e+00  0.00000000e+00]]

在这个例子中，我们使用PCA对象的transform方法将数据集X转换为新的主成分空间。转换后的数据集X_transformed是一个3x2的矩阵，其中每行代表一个样本在新的主成分空间中的坐标。