python中主成分分析结果_Python中的主成分分析：分析Mis

第一个问题是很好的答案here。在

对于第二个问题，答案是你需要根据对应的特征值对特征向量进行排序。为此，您可以使用pythonnp.argsort()，然后反转此顺序(argsort顺序从小到大)：indexes = np.argsort(eigenvalues)[::-1]

eigval = eigenvalues[indexes]

eigvec = eigenvectors[:,indexes]

检查你的代码，我发现了几个问题：现在，你得到了所有的特征向量，你忽略了nb_components参数，你只需要你需要的向量。这是用

eigenvectors = eigenvectors[:,indexes][0:nb_components]

对于规范化向量(在pca函数中)，您使用的是从0到n的For循环，但是如果只要求您提供3个特征向量，那么您将只有3列。若要解决此问题，请从0迭代到nb_components。

除此之外，你的代码运行得很好。我试着只用了3个主成分，最后得到了6/6。在我看来，显示特征向量时的区别只是从float转换到uint8以使用imshow时的表示问题。在

关于负特征值，这只是eigh的问题。由于特征值表示一个方向上的方差，我们关心绝对值，但如果我们改变符号，我们也必须改变“方向”(特征向量)。你可以用-1.0乘以负特征值及其对应的特征向量(参见this)：

^{pr2}$

您也可以使用numpy.linalg.svd(docs)来解决这个问题，但是它应该比numpy.linalg.eigh慢。在

总而言之，这是我从你那里得到的代码(我在这里处理时删除了所有注释，以使其更简短)：def pca(X, nb_components=0):

[n,d] = X.shape

if (nb_components <= 0) or (nb_components>6):

nb_components = n

MU = X.mean(axis=0)

for i in range(n):

X[i,:] -= MU

S = (np.dot(X, X.T) / float(n))

eigenvalues, eigenvectors = np.linalg.eigh(S)

s = np.where(eigenvalues < 0)

eigenvalues[s] = eigenvalues[s] * -1.0

eigenvectors[:,s] = eigenvectors[:,s] * -1.0

indexes = np.argsort(eigenvalues)[::-1]

eigenvalues = eigenvalues[indexes]

eigenvectors = eigenvectors[:,indexes][:,0:nb_components]

eigenvectors = np.dot(X.T, eigenvectors)

for i in range(nb_components):

eigenvectors[:,i] = normalize_vector(eigenvectors[:,i])

return (eigenvalues, eigenvectors, MU)