Python 在PCA中使用2台以上的电脑

我想从头开始使用PCA算法，但我想将784个特征减少到大约70个，而不是2个。我以前试过的是下面的代码。 在“选择具有最大特征值的k个特征向量”部分的代码中，如何选择k

将numpy导入为np
从sklearn.preprocessing导入StandardScaler
将matplotlib.pyplot作为plt导入
作为pd进口熊猫
数据列车=pd.read\U csv（'trainData.csv'，标题=None）
标签\u train=pd.read\u csv（'trainLabels.csv'，标题=None）
data\u train=StandardScaler（）.拟合变换（data\u train）
#或者我们可以为COV提供一行numpy：
cov\u mat=np.cov（数据列车T）
#使用numpy计算特征值和向量
eig\u VAL，eig\u vecs=np.linalg.eig（cov\u mat）
#列出（特征值，特征向量）元组
eig_对=[（范围（len（eig_vals））内i的np.abs（eig_vals[i]），eig_向量[：，i]）]
#将（特征值、特征向量）元组从高到低排序
eig_pairs.sort（key=lambda x:x[0]，reverse=True）
对于eig_对中的i：
打印（i[0]）
#选择特征值最大的k个特征向量
矩阵w=np.hstack（（eig_对[0][1]。重塑（784,1），eig_对[1][1]。重塑（784,1）））
打印（'矩阵W:\n'，矩阵W）
转换=矩阵w.T.dot（数据链T）

看看矩阵是如何创建的。h_stack函数获取数组的元组，并将它们水平堆叠。您要做的是创建一个元组，其中包含k个最大特征值的特征向量，并创建矩阵：

eigenvectors = tuple([eig_pairs[i][1].reshape(784,1) for i in range(k)])
matrix_w = np.hstack(eigenvectors)

---

代码片段看起来是正确的，但在文本部分，您是指

matrix\u w

而不是

matrix\u h

当然，您完全正确。谢谢，我修好了：）