sklearn 中 pca.components_

通过李航的《统计学习方法》（我愿称之为最强），可以很清晰地知道PCA的证明和各个参数的的定义。

pca主成分求解的过程是：

1. 将数据进行标准化处理（均值为0，方差为1（可选））
2. 求原样本中n个特征的协方差矩阵
3. 对协方差矩阵进行特征值分解，并将特征向量组成的矩阵按照对应特征值的大小顺序进行排序，前 k 个特征向量即为前k个主成分。

所以我们完全可以根据定义去求解pca，在《机器学习实战》上有详细的代码：

'''
Created on Jun 1, 2011

@author: Peter Harrington
'''
from numpy import *


def loadDataSet(fileName, delim='\t'):
    fr = open(fileName)
    stringArr = [line.strip().split(delim) for line in fr.readlines()]
    datArr = [list(map(float, line)) for line in stringArr]
    dataMat = mat(datArr)
    return dataMat


def pca(dataMat, topNfeat=9999999):
    # 首先将对数据进行去中心化
    meanVal = mean(dataMat, axis=0)
    meanRemoved = dataMat - meanVal
    # 计算协方差矩阵
    covMat = cov(meanRemoved, rowvar=False)  #
    # 计算协方差矩阵的特征值和特征向量
    eigVals, eigVects = linalg.eig(covMat)
    eigValInd = argsort(eigVals)  # 从小到大排序
    eigValInd