X=sgc z=zscore(X); %数据标准化 M=cov(z); %协方差 [Q,D]=schur(M); %求出协方差矩阵的特征向量、特征根 d=diag(D); %取出特征根矩阵列向量（提取出每一主成分的贡献率） eig1=sort(d,'descend'); %将贡献率按从大到小元素排列 Q=fliplr(Q); %依照D重新排列特征向量 B=z*Q; %得到矩阵B S=0; i=0; while S/sum(eig1)<0.9 i=i+1; S=S+eig1(i); end NEW=z*Q(:,1:i); %输出产生的新坐标下的数据 W=100*eig1/sum(eig1); %贡献率

这是一段MATLAB代码。代码使用主成分分析（PCA）算法对输入数据进行降维处理。具体地，代码执行的主要步骤如下：

1. 对输入数据X进行标准化处理，即将每个属性的值减去该属性的均值，再除以该属性的标准差，得到标准化后的矩阵z。

2. 计算标准化后的矩阵z的协方差矩阵M。

3. 对协方差矩阵M进行谱分解，得到特征值矩阵D和特征向量矩阵Q。

4. 取出特征值矩阵D的对角线元素，即各个主成分的贡献率，按从大到小排序，保存在向量eig1中。

5. 根据特征值矩阵D的对角线元素，重新排列特征向量矩阵Q的列向量，得到新的特征向量矩阵B。

6. 根据贡献率，确定需要保留的主成分个数i，使得它们的累积贡献率占总贡献率的90%以上。

7. 将标准化后的矩阵z乘以特征向量矩阵B的前i列，得到降维后的新坐标下的数据，保存在矩阵NEW中。

8. 计算每个主成分的贡献率W，即特征值除以总特征值之和，再乘以100。

整个代码的输出结果是降维后的新坐标下的数据矩阵NEW和每个主成分的贡献率W。