![09495de6d1118e6765dd8dd007403426.png](https://i-blog.csdnimg.cn/blog_migrate/35738d6b90158e31cb06f30407420df1.jpeg)
1 主成分分析PCA原理
- 降维,最大方差因子,协方差,特征向量
- 第一个新坐标轴选择方差最大的方向
- 第二个新坐标轴选择与第一个坐标轴正交且方差最大的方向
2 计算过程
- 标准化
- 计算协方差
- 计算特征向量、特征值(即贡献方差)
- 贡献方差排序
- 返回成分得分系数矩阵
- 计算因子得分
3 SPSS与Python区别
- 总体关系是:因子得分F=数据标准化Z*成分得分系数矩阵K
- SPSS会自动对数据做标准化,计算因子得分也是标准化结果
- 成分得分系数矩阵,SPSS系数=Python系数/特征值的平方根
- SPSS系数矩阵与Python系数矩阵方向可能相反,SPSS系数矩阵一般取系数和为正的方向
- SPSS还有描述统计、提取、旋转等更多功能
![d78dac39b1b6be5dde1b5d5e8ceb0a3d.png](https://i-blog.csdnimg.cn/blog_migrate/c8ca5781f7780afdff77e0fce0bb8057.jpeg)
4 SPSS主成分分析操作
分析-降维-因子分析
抽取:要提取的因子数4
得分:保存为变量,显示因子得分系数矩阵
![2f7b3caed7ae7ccadb5a0d7049f1e024.png](https://i-blog.csdnimg.cn/blog_migrate/4c8a022857c66624c919cff5f4b28e81.png)
![263a0c1d9dc17be10f81d80162304a5b.png](https://i-blog.csdnimg.cn/blog_migrate/9fc84aeef243505506a77e8797cf95d1.png)
计算综合得分
转换-计算变量,输入权重乘以因子和公式
![66636ecedb0e64cf6d5aebcd58d9ba5a.png](https://i-blog.csdnimg.cn/blog_migrate/8df89140459346a9f1cdc996e2b844cc.jpeg)
![d1a4f1040166179b7d1de59bd828dc97.png](https://i-blog.csdnimg.cn/blog_migrate/4742123b1838bec41341274a800a31be.jpeg)
5 Python主成分分析代码
import
![02a997b5ce7ac0d722d3dad1b2aad1b9.png](https://i-blog.csdnimg.cn/blog_migrate/5405ef39065045e45114bde4ea29914e.png)
pca
![8450cfaaa06569f13e885609c7f0a2da.png](https://i-blog.csdnimg.cn/blog_migrate/70ec6b3015f2c12b0d6116e602e4e44a.png)
pca
![95aca9803c34fb31360b96a5d72a208b.png](https://i-blog.csdnimg.cn/blog_migrate/ea145c1cfbee7af3f3dc3bc6fb1c829b.jpeg)
k1_spss
![0973e53a18a1e861cfc74141fcf10109.png](https://i-blog.csdnimg.cn/blog_migrate/f0dbf8663eedf23e0bf901fc2f0ab2ef.jpeg)
#因子得分
![7b5cf76e49fa58cddf281fb390c63fa8.png](https://i-blog.csdnimg.cn/blog_migrate/0e42c4988af4da0ccbf156aeee8fc0e1.jpeg)