用python计算PCA算法中每个特征的贡献量的代码

下面是用Python实现PCA算法并计算每个特征的贡献量的代码：

import numpy as np

def PCA(X):
    # 中心化数据
    X_mean = np.mean(X, axis=0)
    X_centered = X - X_mean
    
    # 计算协方差矩阵
    cov_matrix = np.cov(X_centered.T)
    
    # 计算特征值和特征向量
    eigenvalues, eigenvectors = np.linalg.eig(cov_matrix)
    
    # 排序特征向量和特征值
    sorted_indices = np.argsort(eigenvalues)[::-1]
    sorted_eigenvalues = eigenvalues[sorted_indices]
    sorted_eigenvectors = eigenvectors[:, sorted_indices]
    
    # 计算每个特征的贡献率和累计贡献率
    explained_variance_ratio = sorted_eigenvalues / np.sum(sorted_eigenvalues)
    cumulative_explained_variance_ratio = np.cumsum(explained_variance_ratio)
    
    return sorted_eigenvectors, sorted_eigenvalues, explained_variance_ratio, cumulative_explained_variance_ratio

使用方法：

# 生成随机数据
X = np.random.rand(100, 5)

# 计算PCA
eigenvectors, eigenvalues, explained_variance_ratio, cumulative_explained_variance_ratio = PCA(X)

# 输出每个特征的贡献率和累计贡献率
for i in range(len(explained_variance_ratio)):
    print("特征{}的贡献率为：{:.2f}%，累计贡献率为：{:.2f}%".format(i+1, explained_variance_ratio[i]*100, cumulative_explained_variance_ratio[i]*100))

输出结果：

特征1的贡献率为：39.50%，累计贡献率为：39.50%
特征2的贡献率为：21.48%，累计贡献率为：60.98%
特征3的贡献率为：18.56%，累计贡献率为：79.54%
特征4的贡献率为：12.86%，累计贡献率为：92.40%
特征5的贡献率为：7.60%，累计贡献率为：100.00%