Python数据挖掘建模 chapter_6 主成分分析（简）

主成分分析简介：

对指标变量矩阵进行主成分分析，是降维方法之一，应调用 from sklearn.decomposition import PCA

数据举例

num	gps_w	gps_j	price	st
A0001	22.56614225	113.9808368	66	0
A0002	22.68620526	113.9405252	65.5	0
A0003	22.57651183	113.957198	65.5	1
A0004	22.56484081	114.2445711	75	0
A0005	22.55888775	113.9507227	65.5	0
A0006	22.55899906	114.2413174	75	0
A0007	22.54900371	113.9722597	65.5	1
A0008	22.56277351	113.9565735	65.5	0
A0009	22.50001192	113.8956606	66	0

（详细为2017全国大学生数学建模大赛 B题数据）

#-*- coding: utf-8 -*-
#主成分分析 降维
import pandas as pd

#参数初始化
inputfile = 'pdata.xls'
outputfile = 'dimention_reducted.xls' #降维后的数据

data = pd.read_excel(inputfile, index_col = u'num') #读入数据

from sklearn.decomposition import PCA

pca = PCA(n_components='mle',copy=False,whiten=False)
pca.fit(data)
pca.components_ #返回模型的各个特征向量
a=pca.explained_variance_ratio_ #返回各个成分各自的方差百分比
low_d=pca.transform(data)#降维处理
print low_d
print a
#pca.inverse_transform(low_d) #复原数据

结果数据过长

[[ -3.1286575    0.70258512   0.37438004]
 [ -3.62752518   0.6594219    0.28951319]
 [ -3.60629098  -0.27213001   0.63513077]
 ..., 
 [ 15.89052204   0.11115613   0.43928345]
 [ -3.60214682  -0.40482886   0.27289147]
 [ 15.89614163  -0.10911559  -0.30845716]]
[ 0.97968047  0.01112823  0.0077572 ]