python主成分分析3维_用python做主成分分析_Python中的主成分分析（PCA）

尽管已经接受了另一个答案，但我还是发布了我的答案；接受的答案依赖于deprecated function；此外，这个被弃用的函数基于奇异值分解(SVD)，它(尽管完全有效)是计算PCA的两种通用技术中内存和处理器更密集的。这在这里特别相关，因为OP中的数据数组的大小。使用基于协方差的PCA，计算流中使用的数组只是144x 144，而不是26424x144(原始数据数组的维数)。

这里有一个使用SciPy中的linalg模块的PCA的简单工作实现。由于此实现首先计算协方差矩阵，然后在此阵列上执行所有后续计算，因此它使用的内存远远少于基于SVD的PCA。

(除了import语句之外，NumPy中的linalg模块也可以在下面的代码没有任何更改的情况下使用，该语句来自NumPy import linalg as LA

本PCA实施的两个关键步骤是：计算协方差矩阵

取这个矩阵的特征值

在下面的函数中，参数dims_rescaled_data是指rescaled数据矩阵中所需的维数；该参数的默认值只有二维，但下面的代码不限于二维，但可以是小于原始数据数组列数的任意值。def PCA(data, dims_rescaled_data=2):

"""

returns: data transformed in 2 dims/columns + regenerated original data

pass in: data as 2D NumPy array

"""

import numpy as NP

from scipy import linalg as LA

m, n = data.shape