如何在Python中获得变量和主成分之间的相关性

我使用PCA来减少变量。我想要得到每个变量与最终PC的相关性。我想要的是每个变量与每个PC的调整Rsquare。这将确定哪些变量与特定PC最密切相关，哪些变量与其他PC高度不相关

Sklean给出特征值，特征向量，解释方差比。有什么性质可以让我们得到变量与PC的相关性吗

genes = ['gene' + str(i) for i in range (1,101)]

wt = ['wt' + str(i) for i in range (1,6)]
ko = ['ko' + str(i) for i in range (1,6)]

data = pd.DataFrame(columns = [*wt,*ko], index = genes)

for gene in data.index:
    data.loc[gene,'wt1':'wt5'] = np.random.poisson(lam = rd.randrange(10,1000), size =5)
    data.loc[gene,'ko1':'ko5'] = np.random.poisson(lam = rd.randrange(10,1000), size =5)

x = StandardScaler().fit_transform(data)

pca = PCA(0.95)

principalComponents = pca.fit_transform(x)

corr = pca.components_

features = pca.explained_variance_ratio_

matrix = pca.components_.T * np.sqrt(pca.explained_variance_)

---

首先，您可以直接计算：

pd.DataFrame(data=[[np.corrcoef(data[c],principalComponents[:,n])[1,0] 
               for n in range(pca.n_components_)] for c in data],
             columns=[0,1],
             index = data.columns)

---

使用Python statsmodel和SAS Varclus过程的PCA有很大的不同。我在Python和SAS Python中使用了以下代码：从statsmodels.multivariable.pca导入pca pc=pca（x，standarized=True，method='svd'，ncomp=2）factors=pc.factors系数=pc.coeff特征值=pc.eigenvals加载=pc.loadings SAS:proc varclus数据=原始数据maxegen=1；变量wt1-wt5 ko1-ko5；跑在这样的注释中阅读代码是非常困难的。请将其重新编辑到您的问题中。