# 获取主成分的权重向量 components = pca.components_ # 打印每个主成分对应的方差解释比例 for i, ratio in enumerate(explained_variance_ratio): print(f"主成分{i+1}的方差解释比例：{ratio}") # 打印每个食材对应的主成分权重 for i, component in enumerate(components): print(f"主成分{i+1}的主成分权重：{component}") # 计算每个主成分的贡献率 explained_variance_ratio_percentage = explained_variance_ratio * 100 # 打印每个主成分的贡献率 for i, percentage in enumerate(explained_variance_ratio_percentage): print(f"主成分{i+1}的贡献率：{percentage}%") 怎么在代码中加入累积主成分贡献率

要计算累积主成分贡献率，您可以使用 numpy 库中的 cumsum 函数。以下是修改后的代码示例：

# 获取主成分的权重向量
components = pca.components_

# 打印每个主成分对应的方差解释比例和累积主成分贡献率
explained_variance_ratio = pca.explained_variance_ratio_
explained_variance_ratio_percentage = explained_variance_ratio * 100
cumulative_variance_ratio_percentage = np.cumsum(explained_variance_ratio_percentage)

for i, ratio in enumerate(explained_variance_ratio_percentage):
    print(f"主成分{i+1}的方差解释比例：{ratio}%")
    
for i, percentage in enumerate(cumulative_variance_ratio_percentage):
    print(f"前{i+1}个主成分的累积贡献率：{percentage}%")

# 打印每个食材对应的主成分权重
for i, component in enumerate(components):
    print(f"主成分{i+1}的主成分权重：{component}")

在上述代码中，我们使用 `np.cumsum` 函数计算了累积主成分贡献率，并将其存储在变量 `cumulative_variance_ratio_percentage` 中。然后，我们在循环中打印了每个主成分的方差解释比例和相应的累积贡献率。

这样，您就可以得到每个主成分的方差解释比例、累积贡献率以及每个食材对应的主成分权重。