python 计算累积贡献率

假设有一个列表包含各个因素的比重，需要计算它们的累积贡献率。

可以按照以下步骤计算累积贡献率：

1. 对列表中的每个元素进行累加，得到总和。
2. 依次计算每个元素对总和的贡献率，并将它们存储在一个新的列表中。
3. 对新的列表进行累加，得到累积贡献率。

下面是一个示例代码：

weights = [0.3, 0.2, 0.1, 0.1, 0.1, 0.1, 0.05, 0.05]
total_weight = sum(weights)
contributions = [weight / total_weight for weight in weights]
cumulative_contributions = []
cumulative_sum = 0
for contribution in contributions:
    cumulative_sum += contribution
    cumulative_contributions.append(cumulative_sum)
print(cumulative_contributions)

这段代码首先计算了总的比重，然后计算每个因素对总和的贡献率，并将它们存储在一个新的列表中。接着，对新的列表进行累加，得到累积贡献率。最后，打印输出累积贡献率列表。

相关问题

代码演示计算累积贡献率

以下是一个Python代码示例，计算PCA的前n个主成分的累积贡献率：

import numpy as np
from sklearn.decomposition import PCA

# 生成数据
data = np.random.rand(100, 10)

# PCA拟合
pca = PCA(n_components=10)
pca.fit(data)

# 计算累积贡献率
cumulative_ratio = np.cumsum(pca.explained_variance_ratio_)

# 输出前n个主成分的累积贡献率
n = 3
print("前{}个主成分的累积贡献率为：{:.2f}%".format(n, cumulative_ratio[n-1]*100))

输出结果：

前3个主成分的累积贡献率为：56.62%

index存储了feat_values中不同特征值从大到小的索引。根据贡献率计算特征选择维数 weights = 0 for i in range(len(index)): weights += ？？？？如何填写问号处，使得计算出到第i个成分时，各特征值的累积贡献率

假设feat_values中的特征值已经按照从大到小的顺序排列，那么第i个成分的累积贡献率可以计算为前i个特征值的总和除以所有特征值的总和，即：

contribution_rate_i = sum(feat_values[index[:i+1]]) / sum(feat_values)

其中，`index[:i+1]`表示前i+1个特征值的索引，`feat_values[index[:i+1]]`表示这些特征值的值，`sum(feat_values[index[:i+1]])`表示这些特征值的总和，`sum(feat_values)`表示所有特征值的总和。将这个累积贡献率加入到weights中即可。

完整代码如下：

# 假设feat_values已经按照从大到小的顺序排列，index存储了feat_values中不同特征值从大到小的索引
weights = 0
for i in range(len(index)):
    contribution_rate_i = sum(feat_values[index[:i+1]]) / sum(feat_values)
    weights += contribution_rate_i
    if weights >= 0.9:
        # 累积贡献率达到90%时，认为选择了足够的特征维数
        break

其中，当累积贡献率达到90%时，认为选择了足够的特征维数。