python实现pca_python,sklern实现PCA

本文使用的数据类型是数值型，每一个样本7个特征表示，所用的数据如图所示：

图中A,B,C,D,E,F,G列表示六个特征，H表示样本标签。每一行数据即为一个样本的六个特征和标签。

实现PCA算法的代码如下：from sklearn.decomposition import PCA as sklearnPCA

from matplotlib import pyplot as plt

import csv

from sklearn import preprocessing

data=[]

traffic_feature=[]

traffic_target=[]

csv_file = csv.reader(open('7packSize.csv'))

for content in csv_file:

content=list(map(float,content))

if len(content)!=0:

data.append(content)

traffic_feature.append(content[0:7])

traffic_target.append(content[-1])

min_max_scaler = preprocessing.MinMaxScaler()

traffic_feature = min_max_scaler.fit_transform(traffic_feature)

print('data=',data)

print('traffic_feature=',traffic_feature)

print('traffic_target=',traffic_target)

sklearn_pca = sklearnPCA(n_components=2)

sklearn_transf = sklearn_pca.fit_transform(traffic_feature)

plt.plot(sklearn_transf[0:99148,0],sklearn_transf[0:99148,1], 'o', markersize=3, color='blue', alpha=0.5, label='class0')

plt.plot(sklearn_transf[99148:,0], sklearn_transf[99148:,1], '^', markersize=3, color='red', alpha=0.5, label='class1')

plt.xlabel('x')

plt.ylabel('y')

plt.xlim([-1,1])

plt.ylim([-1,1])

plt.legend()

plt.title('picture')

plt.show()

运行结果如图所示：