pca主成分分析方差贡献率代码

PCA（Principal Component Analysis，主成分分析）是一种常用的降维技术，它通过线性变换将原始数据映射到一个新的特征空间，使得映射后的特征具有最大的方差。方差贡献率是指每个主成分所占总方差的比例，用于衡量主成分对原始数据的解释能力。

下面是一个使用Python进行PCA主成分分析并计算方差贡献率的示例代码：

import numpy as np
from sklearn.decomposition import PCA

# 假设原始数据存储在一个二维数组X中，每行代表一个样本，每列代表一个特征
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 创建PCA对象，并指定要保留的主成分个数
pca = PCA(n_components=2)

# 对原始数据进行PCA降维
X_pca = pca.fit_transform(X)

# 计算方差贡献率
variance_ratio = pca.explained_variance_ratio_

print("方差贡献率：", variance_ratio)

在上述代码中，首先导入了必要的库，然后创建了一个PCA对象，并通过`n_components`参数指定要保留的主成分个数。接下来，调用`fit_transform`方法对原始数据进行PCA降维，得到降维后的数据`X_pca`。最后，通过`explained_variance_ratio_`属性获取方差贡献率。