PCA特征向量降维python代码

以下是使用Python进行PCA特征向量降维的代码示例：

import numpy as np

def pca(X, k):
    # 计算协方差矩阵
    sigma = np.cov(X.T)
    
    # 计算特征值和特征向量
    eigenvalues, eigenvectors = np.linalg.eig(sigma)
    
    # 对特征值进行排序
    idx = eigenvalues.argsort()\[::-1\]
    eigenvectors = eigenvectors\[:, idx\]
    
    # 选择前k个特征向量
    selected_eigenvectors = eigenvectors\[:, :k\]
    
    # 将数据投影到选定的特征向量上
    X_reduced = X.dot(selected_eigenvectors)
    
    return X_reduced

# 示例数据
X = np.array(\[\[1, 2\], \[3, 4\], \[5, 6\], \[7, 8\]\])

# 设置降维后的维度
k = 1

# 进行PCA降维
X_reduced = pca(X, k)

print(X_reduced)

这段代码首先计算输入数据的协方差矩阵，然后通过计算特征值和特征向量来进行降维。最后，选择前k个特征向量，并将数据投影到这些特征向量上，得到降维后的数据。在上述示例中，输入数据X是一个2维的矩阵，k设置为1，表示将数据降维到1维。输出结果X_reduced是降维后的数据。
#### 引用[.reference_title]
- *1* *2* *3* [降维算法实战项目（1）—使用PCA对二维数据降维（Python代码+数据集）](https://blog.csdn.net/wzk4869/article/details/126074158)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]