对乳腺癌数据集进行PCA降维，并可视化的代码

首先需要导入数据集和需要的库：

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 读取数据集
data = pd.read_csv('breast_cancer.csv')

# 去除无用列
data.drop(['id', 'Unnamed: 32'], axis=1, inplace=True)

# 将M和B转换成数字
data.diagnosis = data.diagnosis.map({'M':1, 'B':0})

# 分离标签和特征
X = data.iloc[:, 1:].values
y = data.iloc[:, 0].values

接着进行特征缩放，将数据集进行标准化：

scaler = StandardScaler()
X = scaler.fit_transform(X)

然后进行PCA降维：

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

最后进行可视化：

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)
plt.xlabel('First Principal Component')
plt.ylabel('Second Principal Component')
plt.show()

完整代码如下：

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 读取数据集
data = pd.read_csv('breast_cancer.csv')

# 去除无用列
data.drop(['id', 'Unnamed: 32'], axis=1, inplace=True)

# 将M和B转换成数字
data.diagnosis = data.diagnosis.map({'M':1, 'B':0})

# 分离标签和特征
X = data.iloc[:, 1:].values
y = data.iloc[:, 0].values

# 特征缩放
scaler = StandardScaler()
X = scaler.fit_transform(X)

# PCA降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 可视化
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)
plt.xlabel('First Principal Component')
plt.ylabel('Second Principal Component')
plt.show()

这样就可以得到一个二维的可视化结果，表示乳腺癌数据集的降维情况。