使用Python中的PCA方法对手写数据集进行PCA降维，降到二维的代码

在Python中，我们可以使用sklearn库中的PCA（主成分分析）方法对手写数据集（例如MNIST数据集）进行降维处理。以下是一个基本的例子，展示了如何将数据从高维降到二维：
# 导入所需的库
import numpy as np
from sklearn.decomposition import PCA
from sklearn.datasets import fetch_openml

# 加载MNIST数据集
mnist = fetch_openml('mnist_784', version=1)
X, y = mnist['data'], mnist['target']

# 将图像数据归一化到0-1范围
X = X.astype('float32') / 255.

# 创建PCA模型并设置维度为2
pca = PCA(n_components=2)

# 进行降维
X_pca = pca.fit_transform(X)

# 现在，数据已经降到了二维，可以可视化
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 6))
for i in range(10):
plt.scatter(X_pca[y == i, 0], X_pca[y == i, 1], label=f'Class {i}')
plt.xlabel('First Principal Component')
plt.ylabel('Second Principal Component')
plt.legend()
plt.show()