那如果我将数据通过主成分分析法PCA进行了降维，数据变成了数组，那么此时如何进行模型的构建与评估测试集，代码是

在进行PCA降维后，可以使用降维后的数据作为特征来构建模型。一般来说，PCA降维后的特征维度会变小，让模型更容易训练。

以下是构建和评估模型的代码：

from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 假设X是原始数据，y是标签
# 进行PCA降维
pca = PCA(n_components=10)  # 设定降维后的维度
X_pca = pca.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.2, random_state=42)

# 构建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 在测试集上评估模型
y_pred = model.predict(X_test)
score = accuracy_score(y_test, y_pred)
print("Accuracy score: {:.2f}".format(score))

在这个例子中，我们使用了PCA将原始数据降到了10维，然后使用逻辑回归模型进行训练和测试。在测试集上计算了准确率得分。你可以根据具体情况选择不同的模型进行训练和测试。