python用pca进行主成分分析完整代码

以下是使用Python进行PCA主成分分析的完整代码：

import numpy as np
from sklearn.decomposition import PCA

# 创建数据集
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 创建PCA模型并拟合数据
pca = PCA(n_components=2)
pca.fit(X)

# 输出主成分方差
print(pca.explained_variance_ratio_)

# 输出主成分矩阵
print(pca.components_)

在这个例子中，我们使用NumPy创建了一个3x3的数据集X。然后，我们使用sklearn库中的PCA模型来拟合数据，并将主成分数量设置为2。我们输出了主成分方差和主成分矩阵，以便我们可以查看数据的变化和重要性。

输出结果：

[9.99999997e-01 2.98687160e-09]
[[-4.08248290e-01 -8.16496581e-01 -4.08248290e-01]
 [ 8.94427191e-01 -4.47213595e-01 -8.88178420e-16]]

在这个例子中，我们可以看到第一个主成分解释了99.9999997%的数据变异性，第二个主成分解释了2.98687160e-09%的数据变异性。我们还可以看到主成分矩阵，它告诉我们每个主成分是如何由原始数据集的特征构成的。