python编程展示pca降维数据保留率

好的，下面是一个简单的 Python 程序，展示如何使用 PCA 对数据进行降维，并计算数据的保留率。

import numpy as np
from sklearn.decomposition import PCA

# 生成一个随机数据集，包含 1000 个 5 维向量
data = np.random.randn(1000, 5)

# 创建 PCA 模型，并指定要降维到的维度
pca = PCA(n_components=2)

# 对数据进行降维
data_pca = pca.fit_transform(data)

# 打印降维后的数据集
print(data_pca)

# 计算数据的保留率
variance_ratio = pca.explained_variance_ratio_
print('数据的保留率为：', sum(variance_ratio))

在上述代码中，我们使用了 `sklearn` 库中的 PCA 模型，其 `n_components` 参数指定了将数据降维到的维度。在进行降维后，我们还通过 `explained_variance_ratio_` 属性计算了数据的保留率。