主成分分析（PCA）：使用labor_qs.txt中的数据，去掉所有标称属性后进行主成分分析，源数据由最初的8维变成了几维，将规约后的数据保存到labor_qs_fx.txt。

主成分分析（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成一组新的坐标系，新坐标系的第一主成分（PC1）包含了原数据最多的方差信息，依次类推，后续的主成分逐渐包含较少的方差。对于`labor_qs.txt`中的数据，首先需要做的是去除标称属性（即非数值特征）以便于进行数学运算。

以下是使用Python和sklearn库进行PCA的具体步骤：

1. 导入所需的库：

import pandas as pd
import numpy as np
from sklearn.decomposition import PCA

2. 加载数据并选择数值特征：

df = pd.read_csv('labor_qs.txt', delimiter=';', header=0)  # 分隔符可能是';'
numerical_data = df.select_dtypes(include='number')

3. 进行PCA：

# 确保数据是标准化的（对数缩放、Z-score缩放等）
scaler = StandardScaler() if not np.allclose(df.std(), 1) else None
X_scaled = scaler.fit_transform(numerical_data) if scaler is not None else numerical_data

pca = PCA()  # 默认保留最大方差的主成分
principal_components = pca.fit_transform(X_scaled)

4. 判断新维度：

n_components = len(pca.components_)

5. 保存数据：

reduced_df = pd.DataFrame(data=principal_components, columns=['PC{}'.format(i+1) for i in range(n_components)])
reduced_df.to_csv('labor_qs_fx.txt', sep=';', index=False)

经过PCA后，原始的8维数据可能被降低到了少于8维的新空间，具体取决于数据的变异性和PCA的选择。