基于PCA模型的鸢尾花数据可视化

# -*- coding: utf-8 -*-
“““
Created on Wed Nov 11 14:16:56 2020

@author: lenovo
“““
“““
#方法一
import numpy as np
import matplotlib.pyplot as plt
#将二维数据降成一维
num = [（2.5 2.4） （0.5 0.7） （2.2 2.9） （1.9 2.2） （3.1 3.0） （2.3 2.7）
       （2 1.6） （1 1.1） （1.5 1.6） （1.1 0.9）]
num_array = np.array（num）
n1_avg n2_avg = np.mean（num_array[: 0]） np.mean（num_array[: 1]）
new_num_array = np.c_[num_array[: 0] - n1_avg num_array[: 1] - n2_avg]
num_cov = np.cov（new_num_array[: 0] new_num_array[: 1]）
ab = np.linalg.eig（num_cov）
w = b[: np.argmax（a）]
zl_num =new_num_array.dot（w.T）
print（zl_num）
plt.plot（zl_num‘ro‘）
#plt.scatter（num[:0]num[:1]） #元组不行，列表才行，所以无法显示
plt.show（）
“““
#====================================================
“““
#方法二，使用sklearn中的PCA
import numpy as np
from sklearn.decomposition import PCA
num = [（2.5 2.4） （0.5 0.7） （2.2 2.9） （1.9 2.2） （3.1 3.0） （2.3 2.7）
       （2 1.6） （1 1.1） （1.5 1.6） （1.1 0.9）]
num_array = np.array（num）
pca = PCA（n_components = 1）
z2_num =pca.fit_transform（num_array）
#print（z2_num）
#==============================================
#题目二
x = np.array（[[-1266-1][-2658-1][-3845-2][19361][210621]
              [35832]]）
pca = PCA（n_components = 2） #降到二维
pca.fit（x）   #训练
newx = pca.fit_transform（x）  #降维后的数据
print（pca.explained_variance_ratio_）    #输出贡献率
print（newx）
plt.scatter（newx[:0]newx[:1]）  #只能输出列表，元组不可以输出
“““
#==================
#题目三：鸢尾花数据可视化
import numpy as np
import pandas as pd
from sklearn.decomposition import PCA   #sklearn闪点图
import matplotlib.pyplot as plt
text = pd.Dataframe（pd.read_csv（“iris.csv“））#读取iris.csv文件中的数据
num = text.head（10）#取10行的数据
#print（num）
#print（text.describe（））  #查看统计分布
#print（text.isnull（）.sum（））  #查看数据缺失
“““

text.hist（figsize = （108） ） #hist树状图  figsize画布大小
plt.show（）

“““
#鸢尾花数据可视化图
x = text.iloc[::4]
y = text.iloc[:-1]
model = PCA（n_components = 2 random_state = 42）  #random_state按固定的比例划分
newx = model.fit_transform（x）

#print（newx）  #显示降维的结果
red_x red_y = [] []
blue_x blue_y = [] []
green_x green_y = [] []

for i in range（len（newx））:
    if y[i] == ‘setosa‘:
        red_x.append（newx[i][0]）
        red_y.append（newx[i][1]）
    elif y[i] == ‘versicolor‘:
        blue_x.append（newx[i][0]）
        blue_y.append（newx[i][1]）
    else:
        green_x.append（newx[i][0]）
        green_y.append（newx[i][1]）
        
plt.scatter（red_x red_y c=‘r‘ label=‘setosa‘）
plt.scatter（blue_x blue_y c=‘b‘ label=‘versicolor‘）
plt.scatter（green_x green_y c=‘g‘ label=‘virginica‘）
plt.legend（）;
plt.show（）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4972  2020-11-11 14:04  iris.csv
     文件        2940  2020-11-18 15:02  PCmean.py