pca主成分分析怎么画

### 如何用Python进行PCA主成分分析绘图

#### 导入库
为了实现PCA并绘制其结果，需要先导入必要的库。这些库用于数据处理、降维以及可视化。

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

#### 加载数据集
加载要分析的数据集，并对其进行初步查看以理解结构和内容。

df = pd.read_csv(r"D:\桌面\aa.csv", encoding='gbk', index_col=0).reset_index(drop=True)
print(df.head())

#### 执行PCA变换
应用`sklearn`中的PCA类来执行主成分分析转换操作。这里假设已经选择了合适的组件数量（例如前两个主要成分），这通常取决于具体应用场景的需求。

pca = PCA(n_components=2)  # 只保留前两组分量
principalComponents = pca.fit_transform(df)

# 创建一个新的DataFrame存储PCA的结果
pca_df = pd.DataFrame(data=principalComponents, columns=['PC1', 'PC2'])

#### 绘制散点图展示PCA结果
利用Seaborn或Matplotlib可以很方便地创建二维散点图来直观显示经过PCA后的样本分布情况。

plt.figure(figsize=(8,6))
sns.scatterplot(x="PC1", y="PC2", data=pca_df, palette='viridis')
plt.title('PCA of Dataset') 
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.grid()
plt.show()

通过上述过程，能够有效地完成对给定数据集的PCA计算及其图形化表示工作[^1]。