Python主成分分析（PCA）及其相关系数计算方法

第1步：导入必要的库

# 导入所需的库

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

from sklearn.decomposition import PCA

from sklearn.preprocessing import StandardScaler

from sklearn.model_selection import train_test_split

第2步：加载数据集

加载数据集并将其分为特征矩阵 X 和目标变量 y。

# 加载数据集

dataset = pd.read_csv('wines.csv')

# 将数据集分为特征矩阵 X 和目标变量 y

X = dataset.iloc[:, 0:13].values

y = dataset.iloc[:, 13].values

第3步：划分训练集和测试集

将数据集划分为训练集和测试集，以便进行模型训练和评估。

# 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

第4步：特征标准化

对训练集和测试集进行特征标准化，以确保模型的稳定性和准确性。

# 特征标准化

sc = StandardScaler()

X_train = sc.fit_transform(X_train)

X_test = sc.transform(X_test)

第5步：应用主成分分析（PCA）

使用 PCA 对特征进行降维，并提取主要成分。

# 应用 PCA

pca = PCA(n_compOnents=2)

X_train_pca = pca.fit_transform(X_train)

X_test_pca = pca.transform(X_test)

第6步：可视化主成分

通过可视化主成分，更好地理解数据的结构和分布。

# 可视化主成分

plt.figure(figsize=(8, 6))

plt.scatter(X_train_pca[:, 0], X_train_pca[:, 1], c=y_train, cmap='viridis')

plt.xlabel('Principal Component 1')

plt.ylabel('Principal Component 2')

plt.title('2 component PCA')

plt.show()