Python实现最小最大、零均值、小数定标规范化、pca降维

1.实现要求

对于一个含有N个记录和P个属性的数据集，以principal_component.xls为例，分别对每一个属性取值进行规范化，对原始的数据矩阵分别用最小—最大规范化、零-均值规范化，小数定标规范化进行预处理。并写出PCA降维代码。
原始数据：

2.具体实现

0.读取数据：

#读取excel文件：
    data = pd.read_excel('./principal_component.xls',header=None)
    print(data) #打印查看是否正确

1.最小最大规范化：

这里不赘述数学原理，只讲解代码本身，如有疑问请自行查阅其他相关资料。

#----------最小-最大规范化--------------------------------------------
def MinMax_Normalize(data):
    text=(data - data.min())/(data.max() - data.min()) #最小-最大规范化
    text.to_excel ('./最小-最大规范化.xlsx',index=None) #另存为excel（删除索引
    return text

实现效果：

2.零均值规范化：

#----零-均值规范化--------------------------------------------
def ZeroAvg_Normalize(data):
    text=(data - data.mean())/data.std() 
    text.to_excel ('./零-均值规范化.xlsx',index=None)
    return text

实现效果：

3.小数定标规范化：

#-----小数定标规范化--------------------------------------------
def Float_Normalize(data):
    text=data/10**np.ceil(np.log10(data.abs().max())) 
    text.to_excel ('.小数定标规范化.xlsx',index=None)
    return (text)

实现效果：

4.PCA降维代码（并且绘制图形）：

#------pca降维代码--------------------------------------------

def PCA(data):
#调用sklearn库实现PCA:
    pca = decomposition.PCA()
    pca.fit(data)    #X_arr是原始数据集，一行表示一个样本，一列表示一个feature
    pca.n_components = 1    #降为1维，可自由选择几维
    X_reduced = pca.fit_transform(data) #X_reduced是降维后的数据集
    plt.plot(X_reduced)#绘图模块
    plt.show()
    return(X_reduced) #这里的X_reduced根据自己选择是否返回，若不清楚是什么可以打印一下查看

实现效果：

3.完整代码：

"""
@author:  [YouYang Wang]
@version: [1.0]
@time: 2021/5/22
@factor: 对excel数据进行最大最小规范化、零均值规范化、小数定标规范化，PCA处理

"""
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import decomposition

#--------------------------------------------最小-最大规范化--------------------------------------------
def MinMax_Normalize(data):
    text=(data - data.min())/(data.max() - data.min())          #最小-最大规范化
    text.to_excel ('./最小-最大规范化.xlsx',index=None)   #另存为excel（删除索引
    return text

#--------------------------------------------零-均值规范化--------------------------------------------
def ZeroAvg_Normalize(data):
    text=(data - data.mean())/data.std() 
    text.to_excel ('./零-均值规范化.xlsx',index=None)
    return text

#--------------------------------------------小数定标规范化--------------------------------------------
def Float_Normalize(data):
    text=data/10**np.ceil(np.log10(data.abs().max())) 
    text.to_excel ('.小数定标规范化.xlsx',index=None)
    return (text)

#--------------------------------------------pca降维代码--------------------------------------------

def PCA(data):
#调用sklearn库实现PCA:
    pca = decomposition.PCA()
    pca.fit(data)                                         #X_arr是原始数据集，一行表示一个样本，一列表示一个feature
    pca.n_components = 1                        #降为1维
    X_reduced = pca.fit_transform(data) #X_reduced是降维后的数据集
    plt.plot(X_reduced)
    plt.show()
    return(X_reduced)

if __name__ == '__main__':
    #读取excel文件：
    data = pd.read_excel('./principal_component.xls',header=None)
    print(data)
    #规范化：
    M=MinMax_Normalize(data) 
    F=Float_Normalize(data)
    Z=ZeroAvg_Normalize(data)
    print(M)
    print(F)
    print(Z)
    #PCA降维：
    print(PCA(data))