pcapython

A. python pca怎麼得到主成份

一般步驟來實現PCA演算法

（1）零均值化

假如原始數據集為矩陣dataMat，dataMat中每一行代表一個樣本，每一列代表同一個特徵。零均值化就是求每一列的平均值，然後該列上的所有數都減去這個均值。也就是說，這里零均值化是對每一個特徵而言的，零均值化都，每個特徵的均值變成0。實現代碼如下：

[python]view plain

• defzeroMean(dataMat):

• meanVal=np.mean(dataMat,axis=0)#按列求均值，即求各個特徵的均值

• newData=dataMat-meanVal

• returnnewData,meanVal

函數中用numpy中的mean方法來求均值，axis=0表示按列求均值。

該函數返回兩個變數，newData是零均值化後的數據，meanVal是每個特徵的均值，是給後面重構數據用的。

（2）求協方差矩陣

[python]view plain

• newData,meanVal=zeroMean(dataMat)

• covMat=np.cov(newData,rowvar=0)


numpy中的cov函數用於求協方差矩陣，參數rowvar很重要！若rowvar=0，說明傳入的數據一行代表一個樣本，若非0，說明傳入的數據一列代表一個樣本。因為newData每一行代表一個樣本，所以將rowvar設置為0。

covMat即所求的協方差矩陣。

（3）求特徵值、特徵矩陣

調用numpy中的線性代數模塊linalg中的eig函數，可以直接由covMat求得特徵值和特徵向量：

[python]view plain

• eigVals,eigVects=np.linalg.eig(np.mat(covMat))

eigVals存放特徵值，行向量。

eigVects存放特徵向量，每一列帶別一個特徵向量。

特徵值和特徵向量是一一對應的



（4）保留主要的成分[即保留值比較大的前n個特徵]

第三步得到了特徵值向量eigVals，假設裡面有m個特徵值，我們可以對其排序，排在前面的n個特徵值所對應的特徵向量就是我們要保留的，它們組成了新的特徵空間的一組基n_eigVect。將零均值化後的數據乘以n_eigVect就可以得到降維後的數據。代碼如下：

[python]view plain

• eigValIndice=np.argsort(eigVals)#對特徵值從小到大排序

• n_eigValIndice=eigValIndice[-1:-(n+1):-1]#最大的n個特徵值的下標

• n_eigVect=eigVects[:,n_eigValIndice]#最大的n個特徵值對應的特徵向量

• lowDDataMat=newData*n_eigVect#低維特徵空間的數據

• reconMat=(lowDDataMat*n_eigVect.T)+meanVal#重構數據

• returnlowDDataMat,reconMat


代碼中有幾點要說明一下，首先argsort對特徵值是從小到大排序的，那麼最大的n個特徵值就排在後面，所以eigValIndice[-1:-(n+1):-1]就取出這個n個特徵值對應的下標。【python裡面，list[a:b:c]代表從下標a開始到b，步長為c。】

B. pca python ratio對應的是哪個特徵

主要是用來降低數據集的維度，然後挑選出主要的特徵。 原理簡單，實現也簡單。關於原理公式的推導，本文不會涉及，可以參考文獻，也可以去Wikipedia，這里主要關注實現，算是鍛煉一下自己。

C. python怎麼數據進行pca

基本步驟：

1. 對數據進行歸一化處理（代碼中並非這么做的，而是直接減去均值）

2. 計算歸一化後的數據集的協方差矩陣

3. 計算協方差矩陣的特徵值和特徵向量

4. 保留最重要的k個特徵（通常k要小於n），也可以自己制定，也可以選擇一個閾值，然後通過前k個特徵值之和減去後面n-k個特徵值之和大於這個閾值，則選擇這個k

5. 找出k個特徵值對應的特徵向量

6. 將m * n的數據集乘以k個n維的特徵向量的特徵向量（n * k）,得到最後降維的數據。

其實PCA的本質就是對角化協方差矩陣。有必要解釋下為什麼將特徵值按從大到小排序後再選。首先，要明白特徵值表示的是什麼？在線性代數裡面我們求過無數次了，那麼它具體有什麼意義呢？對一個n*n的對稱矩陣進行分解，我們可以求出它的特徵值和特徵向量，就會產生n個n維的正交基，每個正交基會對應一個特徵值。然後把矩陣投影到這N個基上，此時特徵值的模就表示矩陣在該基的投影長度。

特徵值越大，說明矩陣在對應的特徵向量上的方差越大，樣本點越離散，越容易區分，信息量也就越多。因此，特徵值最大的對應的特徵向量方向上所包含的信息量就越多，如果某幾個特徵值很小，那麼就說明在該方向的信息量非常少，我們就可以刪除小特徵值對應方向的數據，只保留大特徵值方向對應的數據，這樣做以後數據量減小，但有用的信息量都保留下來了。PCA就是這個原理。

D. 用python怎麼做方差分析的簡單主效應分析

Tukey等多重檢驗容易報錯，數據結構不一致
TypeError: Cannot cast array data from dtype('S11') to dtype('float64') according to the rule 'safe'

E. python如何實現pca分析

[coef,SCORE,latent] = princomp(A);
latentsum = sum(latent);
for i = 1:col%A的總列數
if sum(latent(1:i))/latentsum > threshold%閾值 eg：0.95
tranM = coef(:,1:i);
break;
end
end
B = A* tranM;

F. 請問怎麼學習Python

分享Python學習路線：

第一階段：Python基礎與Linux資料庫

這是Python的入門階段，也是幫助零基礎學員打好基礎的重要階段。你需要掌握Python基本語法規則及變數、邏輯控制、內置數據結構、文件操作、高級函數、模塊、常用標准庫模板、函數、異常處理、mysql使用、協程等知識點。

學習目標：掌握Python的基本語法，具備基礎的編程能力；掌握Linux基本操作命令，掌握MySQL進階內容，完成銀行自動提款機系統實戰、英漢詞典、歌詞解析器等項目。

第二階段：web全棧

這一部分主要學習web前端相關技術，你需要掌握html、cssJavaScript、JQuery、Bootstrap、web開發基礎、Vue、FIask Views、FIask模板、資料庫操作、FIask配置等知識。

學習目標：掌握web前端技術內容，掌握web後端框架，熟練使用FIask、Tornado、Django，可以完成數據監控後台的項目。

第三階段：數據分析+人工智慧

這部分主要是學習爬蟲相關的知識點，你需要掌握數據抓取、數據提取、數據存儲、爬蟲並發、動態網頁抓取、scrapy框架、分布式爬蟲、爬蟲攻防、數據結構、演算法等知識。

學習目標：可以掌握爬蟲、數據採集，數據機構與演算法進階和人工智慧技術。可以完成爬蟲攻防、圖片馬賽克、電影推薦系統、地震預測、人工智慧項目等階段項目。

第四階段：高級進階

這是Python高級知識點，你需要學習項目開發流程、部署、高並發、性能調優、Go語言基礎、區塊鏈入門等內容。

學習目標：可以掌握自動化運維與區塊鏈開發技術，可以完成自動化運維項目、區塊鏈等項目。

按照上面的Python學習路線圖學習完後，你基本上就可以成為一名合格的Python開發工程師。當然，想要快速成為企業競聘的精英人才，你需要有好的老師指導，還要有較多的項目積累實戰經驗。

對於Python開發有興趣的小夥伴們，不妨先從看看Python開發教程開始入門！B站上有很多的Python教學視頻，從基礎到高級的都有，還挺不錯的，知識點講的很細致，還有完整版的學習路線圖。也可以自己去看看，下載學習試試。

G. 如何用python實現pca降維

首先2個包：

importnumpyasnp
fromsklearn.decompositionimportPCA

然後一個m x n 的矩陣，n為維度，這里設為x。

n_components = 12 是自己可以設的。

pca=PCA(n_components=12)
pca.fit(x)
PCA(=True,iterated_power='auto',n_components=12,random_state=None,
svd_solver='auto',tol=0.0,whiten=False)

float_formatter=lambdax:"%.2f"%x
np.set_printoptions(formatter={'float_kind':float_formatter})

print'explainedvarianceratio:'
printpca.explained_variance_ratio_
print'cumulativesum:'
printpca.explained_variance_ratio_.cumsum()

H. 如何用pca做人臉識別 python實現.帶客戶端的

基於特徵臉(PCA)的人臉識別方法
特徵臉方法是基於KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。


比如人臉灰度照片40x40=1600個像素點，用每個像素的灰度值組成的矩陣代表這個人的人臉。那麼這個人人臉就要1600 個特徵。拿一堆這樣的樣本過來做pca，抽取得到的只是在統計意義下能代表某個樣本的幾個特徵。


人臉識別可以採用神經網 絡深度學習的思路，國內的ColorReco在這邊有比較多的案例。

I. python pca降維 自變數與因變數怎麼關聯

這里的定義略有混亂，與模式相關的學科定義的特徵向量和數學裡面定義的特徵向量採取了同一個英文單詞，在翻譯過來以後也都翻譯成了特徵向量。數據挖掘技術恰好兩個特徵向量都用到了，所以很容易混淆。 如果你指得是數學裡面的特徵向量，