PCA结合马氏距离 py代码

import numpy as np
import scipy.io as sio

def zeroMean（dataMat）:
    meanVal=np.mean（dataMataxis=0）     #按列求均值，即求各个特征的均值
    newData=dataMat-meanVal
    return newDatameanVal

def percentage2n（eigValspercentage）:
    sortArray=np.sort（eigVals）   #升序
    sortArray=sortArray[-1::-1]  #逆转，即降序
    arraySum=sum（sortArray）
    tmpSum=0
    num=0
    for i in sortArray:
        tmpSum+=i
        num+=1
        if tmpSum>=arraySum*percentage:
            return num

def pca（dataMatpercentage）:
    newDatameanVal=zeroMean（dataMat）
    covMat=np.cov（newDatarowvar=0）    #求协方差矩阵return ndarray；若rowvar非0，一列代表一个样本，为0，一行代表一个样本
    eigValseigVects=np.linalg.eig（np.mat（covMat））#求特征值和特征向量特征向量是按列放的，即一列代表一个特征向量
    n=percentage2n（eigValspercentage）                 #要达到percent的方差百分比，需要前n个特征向量
    eigValIndice=np.argsort（eigVals）            #对特征值从小到大排序
    n_eigValIndice=eigValIndice[-1:-（n+1）:-1]   #最大的n个特征值的下标
    n_eigVect