使用pytyon导入一个126个波段的tif格式的高光谱数据，并使用PCA方法进行数据降维，不使用Rasterio

在Python中，我们可以使用一些科学计算库如NumPy、Pandas和scikit-learn来进行高光谱数据的处理和PCA降维。如果你不打算使用Rasterio（一个专门用于地理空间数据操作的库），可以按照以下步骤操作：

首先，你需要安装必要的库，如果还没有的话：

pip install numpy pandas scikit-image matplotlib scikit-learn

接下来，假设你的数据已经保存在一个名为`high_spectra.tif`的文件中，你可以这样做：

1. 导入所需的库：

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

2. 读取TIF文件的数据。由于TIF是一个像素级别的文件，我们通常会按行列读取数据：

# 这里假设数据是一个二维数组，每行代表一像素的光谱信息
data = np.memmap('high_spectra.tif', dtype='float32', mode='r', shape=(126, -1)) # 根据实际情况修改shape

3. 转换为DataFrame以便于后续处理：

spectral_df = pd.DataFrame(data, columns=[f"band_{i}" for i in range(1, 127)])

4. 执行PCA降维。这里我们设置主成分的数量（例如，保留90%的方差）：

n_components = int(np.ceil(spectral_df.shape[1] * 0.9))
pca = PCA(n_components=n_components)
principal_components = pca.fit_transform(spectral_df)

5. 最后，你可以查看前几个主成分：

print("Top principal components:")
pd.DataFrame(pca.components_, columns=spectral_df.columns).head()