癌症基因图谱（ TCGA）数据库（四）数据降维

K-means聚类

k-means聚类算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。

（1）簇个数 k 的选择；
（2）计算各个样本点到“簇中心”的距离，将其归入最近的簇；
（3）根据新划分的簇，更新“簇中心”；
（4）重复上述2、3过程，直至"簇中心"没有移动。

Python可以调用sklearn库，from sklearn.cluster import KMeans，实现k聚类。

y_pred=KMeans(n_clusters=5).fit_transform(data)#分成5类

这个KMeans（）函数的参数及用法可以参考这篇文章。

这篇文章讲的很详细，可以参考。

PCA

数据降维的一种方法是通过特征提取实现，主成分分析PCA就是一种无监督数据压缩技术，广泛应用于特征提取和降维。

    pca = PCA(n_components=64)
    pca.fit(data)
    PCA_S=pca.transform(data)

可以调库实现PCA降维；

参数：

n_components: PCA算法中所要保留的主成分个数n。
copy:bool，True或者False，缺省时默认为True。
whiten:bool：缺省时默认为False，白化。

方法：

fit(X)：表示用数据X来训练PCA模型。
fit_transform(X)：用X来训练PCA模型，同时返回降维后的数据。

降维的时候，data传入的数据必须是每一行代表一个样本，一行里面包含样本所有的属性维度。

t-SNE

t-SNE的计算复杂度很高，在数百万个样本数据集中可能需要几个小时，而PCA可以在几秒钟或几分钟内完成。
Barnes-Hut t-SNE主要是对传统t-SNE在速度上做了优化，是现在最流行的t-SNE方法，同时它与传统t-SNE还有一些不同：
Barnes-Hut t-SNE方法（下面讲）仅限于二维或三维嵌入。
Barnes-Hut仅在目标维度为3或更小时才起作用。以2D可视化为主。
Barnes-Hut可用于嵌入数十万个数据点。

t-sne=tsne(X, labels, no_dims, init_dims, perplexity)

参数：

n_components ：int, 默认为2，嵌入空间的维度（即要降到的维度）；
perplexity： float, 默认为30，数据集越大，需要参数值越大，建议值位5-50；
init：string or numpy array, default:”random”, 可以是’random’, ‘pca’或者一个numpy数组(shape=(n_samples, n_components)；

方法：

fit ：将X投影到一个嵌入空间
fit_transform：将X投影到一个嵌入空间并返回转换结果

 tsne = TSNE(n_components=2, init='pca', random_state=0)
 X_tsne=tsne.fit_transform(data)