'''…………………………………………python数据降维………………………………START'''
#本示例中,将分别使用sklearn的DecisionTreeClassifier来判断变量重要性并选择变量,通过PCA进行维度转换。
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.decomposition import PCA
#读取数据文件
data=np.loadtxt(r'd:\Users\zhanggl21\Desktop\data快捷\(9)Python数据分析与数据化运营.pdf\chapter3\data1.txt')
x=data[:,:-1]#获得输入的x
y=data[:,-1]#获得目标变量y
print(x[0],y[0])#打印输出x和y的第一条记录
#使用sklearn的DecisionTreeClassifier判断变量的重要性
model_tree=DecisionTreeClassifier(random_state=0)#建立分类决策树模型对象
model_tree.fit(x,y)#将数据集的维度和目标变量输入模型
feature_importance=model_tree.feature_importances_#获得所有变量的重要性得分
print(feature_importance)#打印输出
'''
print(feature_importance)#打印输出
[0.03331054 0.01513967 0.02199713 0.119727 0.47930312 0.04776297
0.17111746 0.02585441 0.02012725 0.06566044]
从变量重要性得分看出,第4/5/7三个变量的重要性最高,分别约为0.12、0.48、0.17,三者得分之和约等于77%,这意味着仅仅这3个变量已经具有非常显著