主成分分析的应用之sklearn.decomposition模块的PCA函数
主成分分析的应用之sklearn.decomposition模块的PCA函数
一、模型建立整体步骤
二、数据
2297.86 589.62 474.74 164.19 290.91 626.21 295.20 199.03
2262.19 571.69 461.25 185.90 337.83 604.78 354.66 198.96
2303.29 589.99 516.21 236.55 403.92 730.05 438.41 225.80
2308.70 551.14 476.45 293.23 406.44 785.74 494.04 254.10
2337.65 589.28 509.82 334.05 442.50 850.15 563.72 246.51
2418.96 618.60 454.20 429.60 615.00 1065.12 594.48 164.28
2702.34 735.01 475.36 459.69 790.26 1025.99 741.60 187.81
3015.32 779.68 474.15 537.95 865.45 1200.52 903.22 196.77
3135.65 849.53 583.50 629.32 929.92 1391.11 882.41 221.85
3415.92 1038.98 615.74 705.72 976.02 1449.49 954.56 242.26
三、代码实现（含详细注释）
#程序文件ex12_1.py
import numpy as np
from sklearn.decomposition import PCA
from scipy.stats import zscorea=np.loadtxt('data12_1.txt')
# scipy.stats的zscore函数对数组a中的数据进行标准化处理，并将结果赋值给变量b。
# 标准化处理是将数据转换为以0为均值，以标准差为1的分布，
# 这样做的目的是消除不同量纲的影响，使得数据具有可比性。
# zscore函数计算每个值与其均值的差，然后除以该数据的标准差，
# 从而得到Z分数（也称为标准分数）。
# 参数ddof=1指定在计算标准差时使用分母N-1（其中N是数据的数量），这是统计学中的样本标准差计算方式（无偏估计）。
# 如果ddof=0，则使用N作为分母计算标准差，这通常对应于总体标准差。
b=zscore(a, ddof=1) #数据标准化
# 创建一个PCA实例，使用数据集b来“拟合”这个实例（即计算PCA转换所需的参数）
md=PCA().fit(b) #构造并拟合模型
print('特征值为：', md.explained_variance_)
print('各主成分贡献率：', md.explained_variance_ratio_)
# .components_：这是md对象的一个属性，它通常存储了数据分解或降维后的结果。在PCA的上下文中，components_属性包含了主成分的方向（或者说是“轴”），
# 这些主成分是用来解释原始数据集方差的最大方向。每个主成分都是一个向量，向量的长度等于原始数据的特征数。
xs1=md.components_ #提出各主成分系数，每行是一个主成分
print('各主成分系数:\n',xs1)# axis=0代表沿着行的方向（即垂直方向，对列进行求和），而axis=1代表沿着列的方向（即水平方向，对行进行求和）。
# 因此，axis=1意味着会对xs1的每一行进行求和。
check=xs1.sum(axis=1,keepdims=True) #计算各个主成分系数的和
# xs1 * np.sign(check)：这个操作是逐元素的乘法。
# xs1数组中的每个元素与np.sign(check)数组中对应位置的元素相乘。这意味着：
# 如果check中的某个元素为正，xs1中对应的元素保持不变（因为乘以1）。
# 如果check中的某个元素为负，xs1中对应的元素取反（因为乘以-1）。
# 如果check中的某个元素为零，xs1中对应的元素将变为零（因为乘以0）。
xs2=xs1*np.sign(check) #调整主成分系数，和为负时乘以-1
print('调整后的主成分系数：', xs2)
三、结果及其分析
特征值为： [6.27943341e+00 1.30599080e+00 2.74277611e-01 9.97624700e-022.31016993e-02 1.22233669e-02 4.69357480e-03 5.17066158e-04]
各主成分贡献率： [7.84929176e-01 1.63248850e-01 3.42847014e-02 1.24703088e-022.88771241e-03 1.52792086e-03 5.86696851e-04 6.46332697e-05]
各主成分系数:[[ 0.39186166 0.38439344 0.3059243 0.39231584 0.38537825 0.389613220.38389911 0.05908768][-0.0210478 0.02214509 0.47783697 -0.08905605 -0.19878256 -0.1043221-0.11376475 0.83634169][ 0.14762176 0.39254883 0.57745685 -0.20021017 -0.15914777 -0.1347164-0.4303164 -0.47108809][ 0.47832186 0.48941314 -0.44488132 -0.27708115 0.02393188 -0.465646730.07989617 0.18222681][-0.09762149 -0.27604773 0.34873203 -0.35508891 0.52307577 -0.456434080.4158212 -0.10824944][ 0.70552867 -0.53549607 0.049896 -0.32914209 -0.14716623 0.28505603-0.02367193 -0.03426265][-0.08102349 0.10492282 0.11905975 -0.07206231 -0.68369188 -0.020605350.68706375 -0.15212634][ 0.28557308 -0.29011082 0.09180137 0.6940343 -0.15286467 -0.55886444-0.05098258 -0.07665729]]
调整后的主成分系数： [[ 0.39186166 0.38439344 0.3059243 0.39231584 0.38537825 0.389613220.38389911 0.05908768][-0.0210478 0.02214509 0.47783697 -0.08905605 -0.19878256 -0.1043221-0.11376475 0.83634169][-0.14762176 -0.39254883 -0.57745685 0.20021017 0.15914777 0.13471640.4303164 0.47108809][ 0.47832186 0.48941314 -0.44488132 -0.27708115 0.02393188 -0.465646730.07989617 0.18222681][ 0.09762149 0.27604773 -0.34873203 0.35508891 -0.52307577 0.45643408-0.4158212 0.10824944][-0.70552867 0.53549607 -0.049896 0.32914209 0.14716623 -0.285056030.02367193 0.03426265][ 0.08102349 -0.10492282 -0.11905975 0.07206231 0.68369188 0.02060535-0.68706375 0.15212634][-0.28557308 0.29011082 -0.09180137 -0.6940343 0.15286467 0.558864440.05098258 0.07665729]]
由结果可知前两个特征值的累积量贡献率达到了94.82%，主成分分析效果很好，因此后续直接对这两个主成分的特征值进行详细的分析即可。
相关文章：
主成分分析的应用之sklearn.decomposition模块的PCA函数
主成分分析的应用之sklearn.decomposition模块的PCA函数 一、模型建立整体步骤 二、数据 2297.86 589.62 474.74 164.19 290.91 626.21 295.20 199.03 2262.19 571.69 461.25 185.90 337.83 604.78 354.66 198.96 2303.29 589.99 516.21 236.55 403.92 730.05 438.41 225.80 …...
Java基于数组的阻塞队列实现详解
在多线程编程中，阻塞队列是一种非常有用的工具，它可以在生产者和消费者之间提供一个缓冲区，使得生产者可以往队列中添加数据，而消费者可以从队列中取出数据。当队列满时，生产者会被阻塞直到有空间可用；当队…...
ngx_http_random_index_module 模块概述
一、使用场景 随机内容分发 当同一目录下存放多份等价内容（如多张轮播图、不同版本静态页面等）时，可通过随机索引实现负载均衡或流量分散。A/B 测试 通过目录请求自动随机分配用户到不同测试组，无需后端逻辑参与。动态“首页”选…...
你引入的lodash充分利用了吗？
#开发中，发现自己只有cloneDeep的时候才想起来用这个库的便利，搜索了项目内代码，发现大家基本也是这样，其实我们错过了很多好东西# cloneDeep 深拷贝 var objects [{ a: 1 }, { b: 2 }];var deep _.cloneDeep(objects); conso…...
Python爬虫基础
本篇内容中，我们主要分享一些爬虫的前置知识，主要知识点有： 爬虫的概念和作用爬虫的流程【重要】http相关的复习 http和https概念和区别浏览器访问一个网址的过程爬虫中常用的请求头、响应头常见的响应状态码 浏览器自带开发者工具的使用 爬…...
飞帆控件：on_post_get 接口配置
在网页中写一个接口是很基础的要求。 今天我们介绍一个工具，不用写代码，配置即可。 先上链接： on_post_gethttps://fvi.cn/798来看看控件的配置： 使用这个控件，在网页中写 post/get 接口可以告别代码。或许能做到初…...
C++笔试题(金山科技新未来训练营）：
题目分布： 17道单选（每题3分）3道多选题（全对3分，部分对1分）2道编程题（每一道20分）。 不过题目太多，就记得一部分了： 单选题： static变量的初始…...
Selenium-Java版（css表达式）
css表达式 前言 根据 tag名、id、class 选择元素 tag名 #id .class 选择子元素和后代元素 定义 语法 根据属性选择 验证CSS Selector 组选择 按次序选择子节点 父元素的第n个子节点 父元素的倒数第n个子节点 父元素的第几个某类型的子节点 父元素的…...
19. 结合Selenium和YAML对页面实例化PO对象改造
19. 结合Selenium和YAML对页面实例化PO对象改造 一、架构升级核心思路 1.1 改造核心目标 # 原始PO模式：显式定义元素定位 username (id, ctl00_MainContent_username)# 改造后PO模式：动态属性访问 self.username.send_keys(Tester) # 自动触发元素定…...
MySQL——5、基本查询
表的增删改查 1、Create1.1、单行数据全列插入1.2、多行数据指定列插入1.3、插入否则更新1.4、替换 2、Retrieve2.1、select列2.2、where条件2.3、结果排序2.4、筛选分页结果 3、Update4、Delete4.1、删除数据4.2、截断表 5、插入查询结果6、聚合函数7、group by子句的使用8、实…...
ngx_http_referer_module 模块概述
一、使用场景 防盗链 仅允许本站或特定域名的页面直接引用图片、视频等资源，拒绝第三方网站直接嵌入。流量控制 阻止来自社交媒体、搜索引擎或未知来源的大量自动化抓取。安全审计 简易记录并过滤可疑 Referer，以减少非法请求。 注意 Referer 头可被伪造…...
Go语言--语法基础5--基本数据类型--类型转换
Go 编程语言中 if 条件语句的语法如下： 1、基本形式 if 布尔表达式 { /* 在布尔表达式为 true 时执行 */ } If 在布尔表达式为 true 时，其后紧跟的语句块执行，如果为 false 则 不执行。 package main import "fmt" …...
用golang实现二叉搜索树（BST）
目录 一、概念、性质二、二叉搜索树的实现1. 结构2. 查找3. 插入4. 删除5. 中序遍历 中序前驱/后继结点 一、概念、性质 二叉搜索树（Binary Search Tree），简写BST，又称为二叉查找树 它满足： 空树是一颗二叉搜索树对…...
基于FPGA的电子万年历系统开发,包含各模块testbench
目录 1.课题概述 2.系统仿真结果 3.核心程序与模型 4.系统原理简介 5.完整工程文件 1.课题概述 基于FPGA的电子万年历系统开发,包含各模块testbench。主要包含以下核心模块： 时钟控制模块：提供系统基准时钟和计时功能。 日历计算模块：…...
上位机知识篇---Web
文章目录 前言 前言 本文简单介绍了Web。...
)
2025 ISCC 练武赛Pwn-wp(含附件)
前言 去年个人赛报名了忘记打了(笑), 所以这应该算是我第一次参加ISCC, 体验也是非常非常非常非常的cha(第四声)!!! 主办方也是非常幽默，pwn和web都是公用容器，那web最后都被当成玩具玩坏了 下面是这次练武题的pwn所有附件 通过网盘分享的文件…...
LeetCode Hot100刷题——除自身以外数组的乘积
238. 除自身以外数组的乘积 给你一个整数数组 nums，返回 数组 answer ，其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积 。 题目数据 保证 数组 nums之中任意元素的全部前缀元素和后缀的乘积都在 32 位 整数范围内。 请 不要使用除法&a…...
IDEA - Windows IDEA 代码块展开与折叠（基础折叠操作、高级折叠操作）
一、基础折叠操作 折叠当前代码块：Ctrl - # 操作方式按下 【Ctrl】 键，再按下 【-】 键展开当前代码块：Ctrl # 操作方式按下 【Ctrl】 键，再按下 【】 键折叠所有代码块：Ctrl Shift - # 操作方式按下 【Ctrl】…...
javaSE.Map
Map存储映射关系。键值对。key-value 左边值映射着右边的值，左边相当于钥匙，开到右边的门获取得到信息。 get👇put 是否存在该key👇containsKey() map.values👇 entrySet👇 entrySet()获取map中所有的键…...
Python Requests库完全指南：从入门到精通
引言 在Python的生态系统中，requests库以其简洁优雅的API设计和强大的功能，成为HTTP请求处理领域的标杆工具。无论是数据爬虫开发、API接口调用，还是自动化测试场景，requests都能将复杂的网络交互简化为几行可读性极高的代码。相…...
1.QPushBotton 以及 对象树
目录 1. 创建第一个Qt程序 1.1 初始化设置 🍐 选择存储位置 🍊 Kit 🍋 类信息 🍌 项目管理 1.2 代码 🍉 main.cpp 🍇widget.h 🍓 widget.cpp 1.3 .pro文件 🍈 常见模块…...
GO语言语法---For循环、break、continue
文章目录 1. 基本for循环（类似其他语言的while）2. 经典for循环（初始化;条件;后续操作）3. 无限循环4. 使用break和continue5 . 带标签的循环（可用于break/continue指定循环）1、break带标签2、continue带标签…...
网络编程-select（二）
一、I/O多路复用 1、为什么要多路复用 之前开启多线程能实时接收数据，并且也不是一次性连接服务。但毕竟是一请求一连接，每有一个客户端向服务端发起请求，就会创建一个线程，当请求达到上千上万，就会创建上千上万的线…...
2025年PMP 学习十九 第12章 项目采购管理
2025年PMP 学习十九 第12章 项目采购管理 序号过程过程组1规划采购管理规划2实施采购执行3控制采购监控4合同管理- 文章目录 2025年PMP 学习十九 第12章 项目采购管理12 项目采购管理建立战略合作伙伴关系的意义：细化采购步骤 12.1 规划采购管理1. **定义与作用**2…...
10.11 LangGraph多角色Agent开发实战：生产级AI系统架构与性能优化全解析
LangGraph 项目：High-level API for Multi-actor Agents 关键词：LangGraph 多角色 Agent, 状态管理, 持久化机制, 工作流编排, 生产级 AI 系统 1. LangGraph 设计哲学与架构演进 LangGraph 是 LangChain 生态中首个面向 多角色协作 Agent 的高阶 API 框架，其核心设计思想可…...
计算机网络概要
⽹络相关基础知识 协议 两设备之间使⽤光电信号传输信息数据 要想传递不同信息 那么⼆者ᳵ就需要约定好的数据格式 层 封装 继承 多态是计算机的性质 它们⽀持了软硬件分层的实现 同层协议可以ᳵ接通信 同层协议ᳵ不直接通信 是各⾃调⽤下层提供的结构能⼒完成通信 分层…...
Visual Studio已更新为17.14+集成deepseek实现高效编程
01 Visual Studio 2022 v17.14。 此更新侧重于全面提供出色的开发人员体验，侧重于稳定性和安全性以及 AI 改进。 02 GPT-4o代码完成模式 我们非常高兴地宣布，新的 GPT-4o Copilot 代码完成模型现已在 Visual Studio 17.14 中为 GitHub Copilot 用户…...
axios的基本使用
1. Axios概述 Axios 是一个基于 Promise 的 HTTP 客户端库，专为浏览器和 Node.js 设计，用来发送AJAX请求。可以通过npm install -g axios安装axios库。Axios有以下特征： 跨平台兼容性：同一套代码可运行于浏览器和 Node.js。在浏…...
【第三十六周】LoRA 微调方法
LoRA 摘要Abstract文章信息引言方法LoRA的原理LoRA在Transformer中的应用补充其他细节 实验与分析LoRA的使用论文实验结果分析 总结 摘要 本篇博客介绍了LoRA（Low-Rank Adaptation），这是一种面向大规模预训练语言模型的参数高效微调方法&…...
fcQCA模糊集定性比较分析法-学习笔记
模糊集定性比较分析（fsQCA，Fuzzy-set Qualitative Comparative Analysis） 是一种结合了定性和定量元素的研究方法，用于分析中小样本数据中的复杂因果关系。 1. 理解基础概念 QCA的核心思想： 基于集合论和布尔代数&a…...
基于WebRTC的实时语音对话系统：从语音识别到AI回复
基于WebRTC的实时语音对话系统：从语音识别到AI回复 在当今数字化时代，实时语音交互已成为人机界面的重要组成部分。本文将深入探讨一个基于WebRTC技术的实时语音对话系统，该系统集成了语音识别(ASR)、大语言模型(LLM)和语音合成(TTS)技术&am…...
Text2SQL:自助式数据报表开发---0517
Text2SQL技术 早期阶段：依赖于人工编写的规则模板来匹配自然语言和SQL语句之间的对应关系 机器学习阶段：采用序列到序列模型等机器学习方法来学习自然语言与SQL之间的关系 LLM阶段：借助LLM强大的语言理解和代码生成能力，利用提示…...
关于 Web 漏洞原理与利用：1. SQL 注入（SQLi）
一、原理： 拼接 SQL 语句导致注入 SQL 注入的根本原因是：开发者将用户的输入和 SQL 语句直接拼接在一起，没有任何过滤或校验，最终被数据库“当作语句”执行了。 这就像是我们给数据库写了一封信，结果攻击者在我们的…...
【NLP 75、如何通过API调用智谱大模型】
事事忘记，事事等待，事事自愈 —— 25.5.18 一、调用智谱大模型 zhipuai.model_api.invoke()：调用智谱 AI 的大模型（如 ChatGLM）进行文本生成或推理，支持同步请求。 参数列表 参数名类型是否必需默认值说…...
【RabbitMQ】 RabbitMQ高级特性（二）
文章目录 一、重试机制1.1、重试配置1.2、配置交换机&队列1.3、发送消息1.4、消费消息1.5、运行程序1.6、 手动确认 二、TTL2.1、设置消息的TTL2.2、设置队列的TTL2.3、两者区别 三 、死信队列6.1 死信的概念3.2 代码示例3.2.1、声明队列和交换机3.2.2、正常队列绑定死信交…...
EMQX开源版安装指南：Linux/Windows全攻略
EMQX开源版安装教程-linux/windows 因最近自己需要使用MQTT，需要搭建一个MQTT服务器，所以想到了很久以前用到的EMQX。但是当时的EMQX使用的是开源版的，在官网可以直接下载。而现在再次打开官网时发现怎么也找不大开源版本了，所以…...
MySQL 数据库备份与还原
作者：IvanCodes 日期：2025年5月18日 专栏：MySQL教程 思维导图 备份 (Backup) 与 冗余 (Redundancy) 的核心区别: 🎯 备份是指创建数据的副本并将其存储在不同位置或介质，主要目的是在发生数据丢失、损坏或逻辑错误时进…...
【数据结构】2-3-4 单链表的建立
数据结构知识点合集 尾插法建立单链表 建立链表时总是将新节点插入到链表的尾部，将新插入的节点作为链表的尾节点 /*尾插法建立链表L*/ LinkList List_TailInsert(LinkList &L) { int x; /*建立头节点*/ L (LNode *)malloc(sizeof(LNode)); /*…...
JVM如何处理多线程内存抢占问题
目录 1、堆内存结构 2、运行时数据 3、内存分配机制 3.1、堆内存结构 3.2、内存分配方式 1、指针碰撞 2、空闲列表 4、jvm内存抢占方案 4.1、TLAB 4.2、CAS 4.3、锁优化 4.4、逃逸分析与栈上分配 5、问题 5.1、内存分配竞争导致性能下降 5.2、伪共享（…...
猫番阅读APP：丰富资源，优质体验，满足你的阅读需求
猫番阅读APP是一款专为书籍爱好者设计的移动阅读应用，致力于提供丰富的阅读体验和多样化的书籍资源。它不仅涵盖了小说、非虚构、杂志等多个领域的电子书，还提供了个性化推荐、书架管理、离线下载等功能，满足不同读者的阅读需求。无论是通勤路…...
Redis 学习笔记 4：优惠券秒杀
Redis 学习笔记 4：优惠券秒杀 本文基于前文的黑马点评项目进行学习。 Redis 生成全局唯一ID 整个全局唯一 ID 的结构如下： 这里的时间戳是当前时间基于某一个基准时间（项目开始前的某个时间点）的时间戳。序列号是依赖 Redis 生…...
C++学习：六个月从基础到就业——C++17：if/switch初始化语句
C学习：六个月从基础到就业——C17：if/switch初始化语句 本文是我C学习之旅系列的第四十六篇技术文章，也是第三阶段"现代C特性"的第八篇，主要介绍C17引入的if和switch语句的初始化表达式特性。查看完整系列目录了解更多内…...
C++跨平台开发经验与解决方案
在当今软件开发领域，跨平台开发已成为一个重要的需求。C作为一种强大的系统级编程语言，在跨平台开发中扮演着重要角色。本文将分享在实际项目中的跨平台开发经验和解决方案。 1. 构建系统选择 CMake的优势 跨平台兼容性好 支持多种编译器和IDE 强大…...
RabbitMQ 工作模式（上）
前言 在 RabbitMQ 中，一共有七种工作模式，我们也可以打开官网了解： 本章我们先介绍前三种工作模式 （Simple）简单模式 P：producer 生产者，负责发送消息 C：consumer 消费者&#x…...
为什么需要加密机服务？
前言 大家好，我是老马。 以前我自己在写工具的时候，都是直接自己实现就完事了。 但是在大公司，或者说随着合规监管的要求，自己随手写的加解密之类的，严格说是不合规的。 作为一家技术性公司，特别是金融…...
【Linux】利用多路转接epoll机制、ET模式，基于Reactor设计模式实现
📚 博主的专栏 🐧 Linux | 🖥️ C | 📊 数据结构 | 💡C 算法 | 🅒 C 语言 | 🌐 计算机网络 上篇文章：多路转接epoll，实现echoserver 至此，Linux与…...
c/c++的findcontours崩溃解决方案
解决 Windows 平台 OpenCV findContours 崩溃：一种更稳定的方法 许多在 Windows 平台上使用 OpenCV 的开发者可能会在使用 findContours 函数时，遇到令人头疼的程序崩溃问题。尽管网络上流传着多种解决方案，但它们并非总能根治此问题。 当时…...
机器学习 Day18 Support Vector Machine ——最优美的机器学习算法
1.问题导入： 2.SVM定义和一些最优化理论 2.1SVM中的定义 2.1.1 定义 SVM 定义：SVM（Support Vector Machine，支持向量机）核心是寻找超平面将样本分成两类且间隔最大 。它功能多样，可用于线性或非线性分类…...
npm与pnpm--为什么推荐pnpm
包管理器中 npm是最经典的，但大家都任意忽略一个更优质的管理器：pnpm 1. 核心区别 特性npmpnpm依赖存储方式扁平化结构（可能重复依赖）硬链接 符号链接（共享依赖，节省空间）安装速度较慢&#…...
ollama调用千问2.5-vl视频图片UI界面小程序分享
1、问题描述： ollama调用千问2.5-vl视频图片内容，通常用命令行工具不方便，于是做了一个python UI界面与大家分享。需要提前安装ollama，并下载千问qwen2.5vl:7b 模型，在ollama官网即可下载。 （8G-6G 显卡可…...