python hstack_无监督数据降维技术-主成分分析（PCA）的Python实现

网上已经有非常多的大佬讲解了PCA的原理，我这里不再赘述原理问题，主要说一说如何用代码实现我们PAC与Python自己的库

如果有小伙伴想了解PCA的具体数学原理，我推荐大家看看这两篇文章，讲的都非常到位了。

主成分分析（Principal components analysis）-最大方差解释​www.cnblogs.com

https://blog.csdn.net/zhongkelee/article/details/44064401​blog.csdn.net

那么我们就开始讲解我们的实现步骤：

我们假定data是我们事先读入的CSV文件中的数据

X是我们的特征值，y是我们的类标

第一步：对我们的原始数据进行标准化处理

from sklearn import StandarScaler
sc = StandarScaler()
X_std = sc.fit_transform(X)

第二步：构造协方差矩阵

第三步：得到特征值和特征向量

import numpy as np
cov_mat = np.cov()//得到协方差矩阵
vals,vecs = np.linalg.eig(cov_mat)//得到特征值和特征向量

第四步：得到前K个特征值对应的特征向量

第五步：构造特征向量组成矩阵

pairs = [(np.abs(vals[i],vector[:,i]) for i in range(len(vals)))]
pairs.sort(reverse = True)
w = np.hstack((pairs[0][1][:,np.newaxis],pairs[1][1][:,np.newaxis]))

最后让我们的数据集点乘这个矩阵即可

我们也可以使用scikit-learn进行主成分分析

from sklearn.decomposition import PCA
pca=PCA(n_components=2)
X=pca.fit_transform(X)

好了，实现就是这么简单明了，但是如果要搞懂其背后的数学含义还是要下一番大功夫的。