### Python PCA 主成分分析代码示例 以下是使用 Python 进行主成分分析（PCA）的代码示例，针对数据表中的某些因素进行降维处理。假设有一个数据表 `data`，其中包含多个特征列[^2]。 ```python import numpy as np import pandas as pd from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler # 假设 data 是一个 Pandas DataFrame，包含多个特征列 # 选择需要进行 PCA 分析的部分因素 selected_factors = ['factor1', 'factor2', 'factor3'] # 替换为实际的因素名称 data_selected = data[selected_factors] # 数据标准化 scaler = StandardScaler() data_scaled = scaler.fit_transform(data_selected) # 初始化 PCA 模型，指定主成分数量（例如：保留 2 个主成分） pca = PCA(n_components=2) principal_components = pca.fit_transform(data_scaled) # 将主成分转换为 DataFrame 格式 principal_df = pd.DataFrame(data=principal_components, columns=['Principal Component 1', 'Principal Component 2']) # 输出主成分和解释方差比例 explained_variance_ratio = pca.explained_variance_ratio_ print("Explained Variance Ratio:", explained_variance_ratio) # 合并主成分与原始数据表（可选） final_df = pd.concat([principal_df, data[['target_variable']]], axis=1) # 替换 target_variable 为目标列名 ``` #### 代码说明 1. **数据选择**：从数据表中选择需要分析的部分因素（特征列），这些因素将作为 PCA 的输入。 2. **数据标准化**：PCA 对数据的尺度敏感，因此需要对数据进行标准化处理[^2]。 3. **PCA 模型初始化**：通过 `PCA` 类指定需要保留的主成分数量，例如保留前两个主成分。 4. **主成分计算**：使用 `fit_transform` 方法将标准化后的数据映射到低维空间。 5. **结果输出**：将主成分保存为新的 DataFrame，并输出每个主成分解释的方差比例[^2]。 ### 注意事项 - 如果目标是减少维度同时保留尽可能多的信息，则可以调整 `n_components` 参数，或者根据累计解释方差比例动态确定主成分数量[^2]。 - 在实际应用中，建议先对数据进行探索性分析（如绘制相关矩阵热图），以了解变量之间的相关性[^3]。