用python做主成分分析PCA

晚上才寫完，還沒有經過資料的測試。不過還是想先貼出來，出來再測試修改完善下。

要用到三個庫，pandas開啟excel獲取資料，numpy做矩陣處理和math函式。

import numpy as np

import math
import pandas as pd
data_frame = pd.read_excel('data.xls', sheet_name= '表1' )
a = np.array(data_frame)
#print(a)
size = a.shape
name = a[: , 0]
aa = a
#print(name)
for j in range(1, size[1]):
uj = 0
for i in range(0, size[0]):
uj = uj + a[i][j]
uj = uj / size[0]
s = 0
for i in range(0, size[0]):
s = s + (a[i][j] - uj)*(a[i][j] - uj)
s = s / (size[0] - 1) # 方差是無偏估計
s = math.sqrt(s)
for i in range(0, size[0]):
a[i][j] = (a[i][j] - uj) / s
aa = a[:, 1:size[1]+1]
aa = aa.t #轉置
b = np.cov(aa.astype(float)) #astype轉格式
eigenvalue, eigenvector = np.linalg.eig(b)
#eigenvalue = sorted(eigenvalue)
sum = np.sum(eigenvalue)
m = 0
acr = 0
for i in range(0, eigenvalue.shape[0]):
acr = acr + eigenvalue[i] / sum
if acr > 0.85:
m = i
break
print("選取"+str(m+1)+"個主成分")
print("係數矩陣：")
for i in range(0, m+1):
for j in range(0, size[1] - 1):
print(eigenvector[i][j], end='')
print(' ', end='')
print('')

Python 實現主成分分析

python 實現主成分分析 主成分分析 principal component analysis，pca 是最常用的一種降維方法，通常用於高維資料集的探索與視覺化，還可以用作資料壓縮和預處理等。矩陣的主成分就是其協方差矩陣對應的特徵向量，按照對應的特徵值大小進行排序，最大的特徵值就是第一主成分，其...

主成分分析

主成分分析 pca 分析乙個隨機向量的中的主成分 主成分一般不是隨機向量中的某乙個分量，而是不同分量的線性組合，根據資訊理論的觀點，資訊的多少與方差有關，所以 主成分是方差最大的幾個成分 主成分分析的方法是求隨機向量的協方差矩陣 用樣本協方差矩陣代替 對於差異較大的資料，可採用相關矩陣代替協方差矩陣...

主成分分析

理論要點 1 主成分分析是一種無監督學習，因此不能用交叉驗證來檢驗誤差 2 在處理資料之前，要對資料做中心化處理 3 p太大的話，做特徵分解用svd 4 一共有min n 1,p 個主成分，因為中心化以後，rank要降一維 5 主成分的載荷向量就是協方差矩陣的特徵向量，對應特徵值最大的是第一主成分，...