pca降维sklearn中pca库实现

数据的特征P，如果要是比样本容量还要多的话，必须进行降维处理，否则就是curse of dimensionality维数灾难

# -*-encoding: utf-8 -*-
"""
@version: 3.6
@time: 2018/4/1 14:46
@author: SunnyYang
@title:
@file: pcaTest.py
"""
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
#%matplotlib inline     既然是IPython的内置magic函数，那么在Pycharm中是不会支持的。
from sklearn.datasets.samples_generator import make_blobs    #是用来聚类的
# X为样本特征，Y为样本簇类别， 共1000个样本，每个样本3个特征，共4个簇，每个簇的中心点  每个类别的方差cluster_std   random_state官方解释是随机生成器的种子 shuffle洗乱，默认值true center_box中心确定之后的数据边界默认是-10,10
X, Y = make_blobs(n_samples=10000, n_features=3, centers=[[3,3, 3], [0,0,0], [1,1,1], [2,2,2]], cluster_std=[0.2, 0.1, 0.2, 0.2],
                  random_state =9,shuffle=True,center_box=(-10,10))
fig = plt.figure() #建立空白图，也可在建立的时候指定图的大小：fig = plt.figure(figure.size=(4,2))
#plt.subplot(231) plt.subplot(232) plt.subplot(233) ...plt.subplot(236) 就是将画布分成两行三列，依次是第一个，第二个，第三个。。到第六个 最后plt.show()即可画出图形
#ax = Axes3D(fig)  将画布画在三维空间中
ax = Axes3D(fig, rect=[0, 0, 1, 1], elev=30, azim=20)
print(X)
plt.scatter(X[:, 0], X[:, 1], X[:, 2],marker='o')  #AttributeError: 'NoneType' object has no attribute 'sqrt'
plt.show()
#在不降维的情况下对数据进行投影
from sklearn.decomposition import PCA
pca = PCA(n_components=3)
pca.fit(X)
print(pca.explained_variance_ratio_)
print(pca.explained_variance_)

#从三维降到二维
pca = PCA(n_components=2)  #保留的主成分数，也就是样本的特征数   赋值为int，比如n_components=2，将把原始数据降到2维度。
pca.fit(X)
# print(pca.explained_variance_ratio_)
# print(pca.explained_variance_)
# print('8888888888888888888888888888888888888888888')
#降维后的图形展示k
X_new = pca.transform(X)
plt.scatter(X_new[:, 0], X_new[:, 1],marker='o')
plt.show()

输出：
[[ 2.38526096  2.1109917   2.23765695]
 [ 0.05761939 -0.0117989  -0.03393958]
 [ 3.08207073  3.19904227  3.08774759]
 ...,
 [ 3.13804869  2.86955308  2.86443838]

降成二维时：
[ 0.98318212  0.00850037]
[ 3.78483785  0.03272285]
.....

参见：https://mp.weixin.qq.com/s/OxNj9fWaEMh8SuQiK52HWg