导入MNIST数据集，首先把矩阵灰度图像输入转化为向量输入。针对“0”和“1”这两一类各自前1000个训练样本组成的样本集合（共2000个样本），绘制“0”“1”两类样本混合的“本征数字”。依次计算前N个PC分量的累计方差占比（N=1,2,3，…,100），只保留达到85%累计方差占比的前K个PC，把每个样本逆变换到原始输入向量空间（提示：利用PCA()函数的inverse_transform方法），得到“降维重构”的样本。计算原始向量空间中这些“降维重构”样本的均值向量，然后变换为矩阵，用灰度图像显示。以上内容的python代码是什么

以下是Python代码实现：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.datasets import fetch_openml

# 导入MNIST数据集
mnist = fetch_openml('mnist_784', version=1)
X = mnist.data.astype('float64')
y = mnist.target.astype('int64')

# 将矩阵灰度图像输入转化为向量输入
X = X / 255.0

# 选取“0”和“1”两类各自前1000个训练样本组成的样本集合
X_01 = X[(y == 0) | (y == 1)]
y_01 = y[(y == 0) | (y == 1)]

# 绘制“0”“1”两类样本混合的“本征数字”
pca = PCA()
pca.fit(X_01)
eigen_digits = pca.components_.reshape((2, 28, 28))

fig, axs = plt.subplots(2, 10, figsize=(10,2.5))
for i in range(2):
    for j in range(10):
        axs[i,j].imshow(eigen_digits[i].reshape(28, 28), cmap='gray')
        axs[i,j].axis('off')
plt.show()

# 计算前N个PC分量的累计方差占比，只保留达到85%累计方差占比的前K个PC
cumulative_variance_ratio = np.cumsum(pca.explained_variance_ratio_)
K = np.argmax(cumulative_variance_ratio >= 0.85) + 1

# 逆变换得到“降维重构”的样本
pca = PCA(n_components=K)
X_01_reduced = pca.fit_transform(X_01)
X_01_reconstructed = pca.inverse_transform(X_01_reduced)

# 计算原始向量空间中这些“降维重构”样本的均值向量
mean_digit = np.mean(X_01_reconstructed, axis=0)

# 变换为矩阵，用灰度图像显示
plt.imshow(mean_digit.reshape(28, 28), cmap='gray')
plt.axis('off')
plt.show()