python中变量对PC的贡献

我使用PCA查找了60台PC：

N_comp=60 
from sklearn.decomposition import PCA
pca = PCA(n_components = N_comp)
X_pca=pca.fit_transform(X_scale) #lower dimension data
eigenvalues=pca.components_

现在，我试图找到我的特性（X数据列）对PC1和PC2的贡献。例如，对于PC1，我想显示前10个特征中每个特征的百分比的条形图，其中x轴将具有特征的标签

大概是这样的：

我试图在python中实现这一点，但不知道如何找到特性名称。例如，我所做的是排序，以找到构成PC1的前10个功能变量，如下所示：

N_elements=10
PC1=abs(eigenvalues[1,:])
PC1.sort(axis=0)
PC1=PC1[::-1]
PC1=PC1[0:N_elements]
PC1

导致

array([0.17040832, 0.16937861, 0.1683676 , 0.16544657, 0.16491703,
   0.16491679, 0.16168056, 0.16108829, 0.16034576, 0.16029183])

并绘制它：

plt.bar(range(N_elements), PC1, alpha=0.3, align='center')
plt.title('Contributions of variables to PC1')

但这导致X轴仅为数字0到9（对应于10个元素）。如何检索名称并在绘图栏上放置标签

---

非常感谢

主成分的元素和变量的顺序相同。具有相应索引的元素的绝对值越大（i＝1…p），变量越大，对PC.

的转换就越大，请考虑评论和你能做什么来提高问题的质量。“好”问题的关键部分是（1）可复制的样本数据，（2）真正的代码尝试，（3）特定的编码问题，而不是问“如何实现XYZ”的帖子

撇开这一点不谈，以下几点应该可以让你开始。事实上，所有的信息都在你自己提供的链接中，我建议你花些时间理解这些材料

首先，由于您不提供示例数据，让我们使用内置的

USArrest

数据集。我们使用

prcomp

pca <- prcomp(USArrests)

让我们将其与

factoextra:：get\u pca\u var

get_pca_var(pca)$contrib
#              Dim.1      Dim.2      Dim.3      Dim.4
#Murder    0.1739250  0.2008981  0.6382517 98.9869251
#Assault  99.0465399  0.3452741  0.4565669  0.1516191
#UrbanPop  0.2147001 95.4250536  4.0218813  0.3383649
#Rape      0.5648349  4.0287742 94.8833000  0.5230908

如您所见，结果是相同的。 我把阴谋留给你；关于如何在SO和web上显示条形图，您可以找到很多建议

---

您给出的链接提供了一个明确的公式，说明如何计算变量对主成分的贡献百分比。为什么不实现它呢？看起来您特别想要

fviz_contrib

函数。你链接到的页面似乎为如何应用它提供了一个很好的指南，如果你在做这件事时遇到了特定的问题，你应该更多地解释你实际尝试了什么以及你遇到了什么问题。这与你最初问的问题完全不同（有一个

r

编码标签，因此答案如下）。在不活动3小时后，以及在收到SO用户对您的原始问题的答复后，完全更改此问题是非常糟糕的。这表明无视SO发布的一般指导原则和对SO社区的不尊重。我投票反对重新打开此问题。相反，应删除此问题而OP应该考虑提出一个新的问题。@ AAA你自己用“<代码> R< /代码>代码标签标记这个；现在3小时后！关于您的不活动，您是在告诉我们您正在寻找Python解决方案？这是非常糟糕的形式，对迄今为止一直试图帮助您的所有人都非常粗鲁。请记住，您是在互联网上向陌生人寻求免费帮助。这种行为是不可接受的。我对此表示感谢并同意。我花了时间来了解莉兹还有我不明白的。。。

contrib <- t(t(coord ^ 2) / colSums(coord ^ 2)) * 100
contrib
#                PC1        PC2        PC3        PC4
#Murder    0.1739250  0.2008981  0.6382517 98.9869251
#Assault  99.0465399  0.3452741  0.4565669  0.1516191
#UrbanPop  0.2147001 95.4250536  4.0218813  0.3383649
#Rape      0.5648349  4.0287742 94.8833000  0.5230908

get_pca_var(pca)$contrib
#              Dim.1      Dim.2      Dim.3      Dim.4
#Murder    0.1739250  0.2008981  0.6382517 98.9869251
#Assault  99.0465399  0.3452741  0.4565669  0.1516191
#UrbanPop  0.2147001 95.4250536  4.0218813  0.3383649
#Rape      0.5648349  4.0287742 94.8833000  0.5230908