欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python实现PCA算法01

程序员文章站 2022-07-02 20:09:49
python实现PCA算法 Software version: Python 2.7.12 |Anaconda 4.2.0 (64-bit)| 法1. 编程一步一步实现 法2...
python实现PCA算法

Software version: Python 2.7.12 |Anaconda 4.2.0 (64-bit)|

法1. 编程一步一步实现 法2. sklearn 我们以定义函数的形式来一步一步进行 1.1 导入模块:Numpy,Pandas
# -*- coding: utf-8 -*-
# @Time    : 2017/8/17 14:20
# @Author  : LinYimeng
# @Site    : 
# @File    : PCA.py
# @Software: PyCharm Community Edition
import numpy as np
import pandas as pd
df1 = pd.DataFrame({'x1':np.random.randn(8),'x2':np.random.randn(8),'x3':np.random.randn(8),'x4':np.random.randn(8)})
1.2 z-score 标准化

零均值化 :第一步.求每一列的平均值和标准差,第二步,该列上新数据=(原数据-均值)/标准差。

python备注: DataFrame和Series之间的算术运算会将Series的索引匹配到DataFrame的列,然后沿着行一直向下运算(广播)。

def standardization(dataX):
###pca程序1 ,准备程序
    meanVal=dataX.mean(axis=0)        ###我们的数据变量按列进行排列(即一行为一个样本),按列求均值,即求各个特征的均值
    #meanVal = np.mean(dataX, axis=0) ###此同为np的方法,得到Series
    stdVal=dataX.std(axis=0)
    datasTad =(dataX-meanVal)/stdVal
    return datasTad
1.3 pca主体部分,(为便于理解首先逐步编写,最后定义函数合并) 1.3.1 求相关系数或者协方差矩阵

PCA可以根据相关系数矩阵,也可以根据协方差矩阵进行计算。经标准化的样本数据的协方差矩阵就是原始样本数据的相关矩阵。

python备注:DataFrame的corr和cov方法将以DataFrame 的形式反悔完整的相关系数或协方差矩阵。

# dataCov = datasTad.cov()
## dataCorr = datasTad.corr()
1.3.2 求特征值、特征矩阵

python备注:numpy.linalg函数中的eig函数(参数类型为array),可以直接由covMat求得特征值和特征向量。

# newData1 = np.array(dataCov)
# eigenValue, eigenVector = np.linalg.eig(newData1)
 # print eigenValue,eigenVector

特征值和特征向量是一一对应的.eg:
[ 2.28755238 1.19050837 0.00740526 0.51453398]

[[-0.35550858 -0.75662146 0.49766033 0.23123975]
[ 0.41457366 -0.5522369 -0.22386014 -0.68778611]
[-0.53285545 0.2980044 0.39214938 -0.68809688]
[-0.64638023 -0.18371651 -0.74056715 -0.00106679]]

1.3.3 保留特征值比较大的前n个主成分

python备注: np.argsort函数返回的是数组值从小到大的索引值

# sorceEigenValue = np.argsort(eigenValue))
# pcaEigenValue = sorceEigenValue[-n]
# pcaEigenVector = eigenVector[pcaEigenValue]
# print sorceEigenValue
1.3.4 将1.3.1-1.3.4步骤写入pca定义函数

给定要选取的主成份个数 n .

def pcan(dataX,datasTad,n):
#pca 程序2,主程序
    dataCov = datasTad.cov()
    newData1 = np.array(dataCov)
    eigenValue, eigenVector = np.linalg.eig(newData1)#求得特征值,特征向量
    sorceEigenValue = np.argsort(eigenValue)         #特征值下标从小到大的排列顺序
    nPcaEigenVector = sorceEigenValue[-n:]           #最大的n个特征值的下标
    pcaEigenVector = eigenVector[nPcaEigenVector]    #选取特征值对应的特征向量
    PCAX = np.dot(dataX , pcaEigenVector.T)          #得到降维后的数据
    return PCAX ,pcaEigenVector

对选取主成份的个数还可以另一种选法:根据解释原始信息的程度选取,给定累计解释率 a

def pcaPercentage(dataX,datasTad,percentage= 0.85):
#pca 程序2,主程序
    dataCov = datasTad.cov()
    newData1 = np.array(dataCov)
    eigenValue, eigenVector = np.linalg.eig(newData1)#求得特征值,特征向量
    sortEigenValue = np.argsort(eigenValue)         #特征值下标从小到大的排列顺序
    sorceEigenValue=np.sort(eigenValue)             #升序  
    cumEigenValue = np.cumsum(sorceEigenValue)      #特征值累加
    sumEigenValue= sum(sorceEigenValue)             #特征值求和
    k =0                                            #计数,k最终结果为对应要提取的主成份个数
    for i in cumEigenValue:  
        k = k+1
        if i >=sumEigenValue*percentage:
            break
    nPcaEigenVector = sorceEigenValue[-k:]           #最大的k个特征值的下标
    pcaEigenVector = eigenVector[nPcaEigenVector]    #选取特征值对应的特征向量
    PCAX = np.dot(dataX , pcaEigenVector.T)          #得到降维后的数据
    return PCAX ,pcaEigenVector,k
if __name__ == "__main__": 
#     导入数据,切记不含因变量。我们在此构造df1数据,此数据变量间没有一定的相关性,只做计算演示。
    df1 = pd.DataFrame({'x1':np.random.randn(8),'x2':np.random.randn(8),'x3':np.random.randn(8),'x4':np.random.randn(8)})
    datasTad = standardization(df1)
    PCAX,pcaEigenVector = pcan(df1,datasTad,2)#选取前两个主成份
#     PCAX,pcaEigenVector ,k =pcaPercentage(dataX,datasTad,percentage= 0.85)
    print pcaEigenVector
#     print PCAX 
#     print k

[[ 0.05859874  0.63246821]
 [ 1.76814374 -0.81231113]
 [-0.76487122  0.71552014]
 [ 0.45433     0.05110494]
 [-0.1879232  -0.21065165]
 [-0.66398789 -1.08685442]
 [ 2.57674664  0.03846883]
 [-0.37070498 -1.61123788]]
1.6 分析主成份的现实意义 1.5 得到降维后的数据后,接着进行线性回归的分析