大数据分析：利用SVD分解对数据进行降维

问题描述：写程序利用SVD分解对数据进行降维，并画出降维后各个节点在”新维度“上值的分布。例如对于矩阵 A(mxn) = UΣV^T, U 分解后每一列〖 u〗i 有m个元素对应m个点，记为〖 u〗(i*). 我们画出〖 u〗_1-〖 u〗_2的坐标下的m个点的散点图

数据集1：https://github.com/shenghua-liu/HoloScope/blob/master/testdata/
下面的yelp.edgelist.gz
1）数据的格式是：用户id，饭店id，1
2）所有的id都已转换到从0开始的整数
提示：1）降维的矩阵是：用户x饭店，需要先构造矩阵；考虑稀疏矩阵，否则内存可能会溢出
2）降维的维度数选择10
3）考虑稀疏矩阵的svds工具

import numpy as np
from scipy.sparse.linalg import svds
import matplotlib.pyplot as plt
import scipy

def dataset1():
    with open('yelp.edgelist') as file:
        row = []
        col = []
        data = []
        for line in file.readlines():
            # print(line)
            curLine = line.strip().split(' ')
            floatLine = list(map(float,curLine))#这里使用map函数直接将函数装化为float类型
            # print(floatLine)