主成分分析python实现代码

主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维技术，它通过线性变换将原始数据转换到新的坐标系，新坐标系的方向由数据的方差最大方向确定。在Python中，我们可以使用scikit-learn库方便地实现PCA。下面是一个简单的例子：

from sklearn.decomposition import PCA
import numpy as np

# 假设我们有如下的二维数据集
data = np.random.rand(100, 2)  # 100个样本，每个样本有两个特征

# 创建PCA对象
pca = PCA()

# 对数据进行主成分分析
transformed_data = pca.fit_transform(data)

# 可视化前两个主成分
import matplotlib.pyplot as plt
plt.scatter(transformed_data[:, 0], transformed_data[:, 1])
plt.xlabel('First Principal Component')
plt.ylabel('Second Principal Component')
plt.show()

# 获取解释的方差比例
explained_variance_ratio_ = pca.explained_variance_ratio_
print("Explained variance ratio:", explained_variance_ratio_)

在这个代码中，`fit_transform()`方法同时进行了训练（计算主成分）和转换（应用到数据上），返回的是降维后的数据。`explained_variance_ratio_`则展示了各主成分对总变异性的贡献。