PCA降维Python代码

PCA（主成分分析）是一种常用的降维技术，可以将高维数据转换为低维数据，同时尽可能保留数据的方差。以下是一个使用Python进行PCA降维的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 创建PCA对象，指定要保留的主成分数量
pca = PCA(n_components=2)

# 对数据进行PCA降维
X_pca = pca.fit_transform(X)

# 打印降维后的数据
print("降维后的数据：")
print(X_pca)

# 绘制降维后的数据
plt.figure()
colors = ['navy', 'turquoise', 'darkorange']
lw = 2

for color, i, target_name in zip(colors, [0, 1, 2], iris.target_names):
    plt.scatter(X_pca[y == i, 0], X_pca[y == i, 1], color=color, alpha=.8, lw=lw, label=target_name)

plt.legend(loc='best', shadow=False, scatterpoints=1)
plt.title('PCA of IRIS dataset')
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.show()

这段代码首先导入了必要的库，然后加载了一个常用的鸢尾花（Iris）数据集。接着，创建了一个PCA对象并指定要保留的主成分数量为2。然后，使用`fit_transform`方法对数据进行降维，并打印降维后的数据。最后，使用matplotlib库绘制了降维后的数据，以可视化降维效果。