### Python主成分分析法（PCA）实现示例 主成分分析法（Principal Component Analysis, PCA）是一种常用的无监督学习方法，用于降低数据维度并提取最重要的特征。以下是基于Python的PCA实现及其可视化的完整示例。 #### 数据准备 为了演示PCA的应用场景，可以使用经典的鸢尾花（Iris）数据集。该数据集包含四个特征变量和三个类别标签。通过加载`sklearn.datasets`模块中的`load_iris()`函数获取数据[^1]。 ```python from sklearn.datasets import load_iris import pandas as pd # 加载数据 data = load_iris() X = data.data # 特征矩阵 y = data.target # 类别标签 feature_names = data.feature_names # 特征名称 target_names = data.target_names # 类别名称 # 转换为DataFrame以便于操作 df = pd.DataFrame(X, columns=feature_names) df['species'] = pd.Categorical.from_codes(y, target_names) print(df.head()) ``` #### 应用PCA降维 利用`scikit-learn`库中的`PCA`类执行降维处理。这里将原始四维空间的数据投影到二维平面上，便于后续可视化[^2]。 ```python from sklearn.decomposition import PCA # 初始化PCA模型，设置目标维度为2 pca = PCA(n_components=2) X_pca = pca.fit_transform(X) # 执行降维 # 将结果转换为DataFrame形式 principal_df = pd.DataFrame(data=X_pca, columns=['PC1', 'PC2']) final_df = pd.concat([principal_df, df[['species']]], axis=1) print(final_df.head()) ``` #### 可视化PCA结果 完成降维后，可以通过Matplotlib或Seaborn绘制散点图来直观展示不同类别之间的分布情况[^3]。 ```python import matplotlib.pyplot as plt import seaborn as sn # 方法一：使用Matplotlib绘图 plt.figure(figsize=(8, 6)) for i, target_name in enumerate(target_names): subset = final_df[final_df['species'] == target_name] plt.scatter(subset['PC1'], subset['PC2'], label=target_name) plt.legend() plt.xlabel('第一主成分 (PC1)') plt.ylabel('第二主成分 (PC2)') plt.title('PCA降维后的鸢尾花数据') plt.grid(True) plt.show() # 方法二：使用Seaborn FacetGrid绘图 grid = sn.FacetGrid(final_df, hue="species", height=6).map( plt.scatter, "PC1", "PC2" ).add_legend() plt.title('PCA Visualization with Seaborn') plt.show() ``` 以上代码展示了如何从数据预处理到应用PCA算法以及最终的结果可视化全过程。通过这种方式，能够清晰观察到各个样本点在低维空间中的聚集程度及分离效果。 ---