python对5种数据进行主成分分析法
时间: 2024-02-05 21:11:19 浏览: 62
好的,以下是 Python 对 5 种数据进行主成分分析法的示例代码:
1. 鸢尾花数据集
```python
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
iris = load_iris()
X = iris.data
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
```
2. 手写数字数据集
```python
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
digits = load_digits()
X = digits.data
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
```
3. 钻石数据集
```python
import pandas as pd
from sklearn.decomposition import PCA
diamonds = pd.read_csv('diamonds.csv')
X = diamonds[['carat', 'depth', 'table', 'price']]
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
```
4. 酒类数据集
```python
import pandas as pd
from sklearn.decomposition import PCA
wine = pd.read_csv('wine.csv')
X = wine.iloc[:, 1:]
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
```
5. 气象数据集
```python
import pandas as pd
from sklearn.decomposition import PCA
weather = pd.read_csv('weather.csv')
X = weather.iloc[:, 1:]
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
```
以上五种数据集的主成分分析方法类似,首先需要读取数据,然后将数据传入 PCA 模型中,最后得到降维后的数据 X_pca。需要注意的是,PCA 模型的 n_components 参数可以设置为降维后的维度数,这里设置为 2 表示将原始数据降到二维空间中。
相关推荐
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)