只能說scikit-learn實在是太強大了，三言兩語就能搞定PCA

1.函數原型及參數說明

sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)

主要參數

n_components:

意義：PCA算法中所要保留的主成分個數n，也即保留下來的特征個數n

類型：int 或者 string，缺省時默認為None，所有成分被保留。

賦值為int，比如n_components=1，將把原始數據降到一個維度。

賦值為string，比如n_components='mle'，將自動選取特征個數n，使得滿足所要求的方差百分比。

copy:

類型：bool，True或者False，缺省時默認為True。

意義：表示是否在運行算法時，將原始訓練數據復制一份。若為True，則運行PCA算法后，原始訓練數據的值不會有任何改變，因為是在原始數據的副本上進行運算；若為False，則運行PCA算法后，原始訓練數據的 值會改，因為是在原始數據上進行降維計算。

whiten:

類型：bool，缺省時默認為False

意義：白化，使得每個特征具有相同的方差。

2.PCA屬性

components_：返回具有最大方差的成分。

explained_variance_ratio_：返回 所保留的n個成分各自的方差百分比。

n_components_：返回所保留的成分個數n。

3.PCA對象的方法

fit(X,y=None)

fit()可以說是scikit-learn中通用的方法，每個需要訓練的算法都會有fit()方法，它其實就是算法中的“訓練”這一步驟。因為PCA是無監督學習算法，此處y自然等于None。

fit(X)，表示用數據X來訓練PCA模型。

函數返回值：調用fit方法的對象本身。比如pca.fit(X)，表示用X對pca這個對象進行訓練。

fit_transform(X)

用X來訓練PCA模型，同時返回降維后的數據。

newX=pca.fit_transform(X)，newX就是降維后的數據。

inverse_transform()

將降維后的數據轉換成原始數據，X=pca.inverse_transform(newX)

transform(X)

將數據X轉換成降維后的數據。當模型訓練好后，對于新輸入的數據，都可以用transform方法來降維。

PCA實例

#encoding = utf-8

import numpy as np

from sklearn.decomposition import PCA

from sklearn.datasets import load_iris

X=load_iris().data

pca = PCA(n_components=2)

pca.fit(X)

newX=pca.transform(X)

總結

以上是生活随笔為你收集整理的python降维之时间类型数据的处理_python学习笔记之使用sklearn进行PCA数据降维的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。