用Python进行主成分分析

这里是2D散射数据的示例 但当我画特征向量时， 绘图被压缩成一维图像

我试图对温度和应变数据进行主成分分析

为什么我有一个1D向量，散射和特征向量的组合

def process_data_PCA(temperature, strain):
    print("process data")
    T1 = temperature['T1'].tolist()
    T2 = temperature['T2'].tolist()
    T3 = temperature['T3'].tolist()
    T4 = temperature['T4'].tolist()
    T5 = temperature['T5'].tolist()
    T6 = temperature['T6'].tolist()
    T7 = temperature['T7'].tolist()
    T8 = temperature['T8'].tolist()
    T9 = temperature['T9'].tolist()
    T10 = temperature['T10'].tolist()

    W_A1 = strain[0]
    N = len(T1)
    xData =  T1
    yData =  W_A1
    xData = np.reshape(xData, (N, 1))
    yData = np.reshape(yData, (N, 1))

    data = np.hstack((xData, yData))
    print(data)
    mu = data.mean(axis=0)
    data = data - mu
    # data = (data - mu)/data.std(axis=0)  # Uncommenting this reproduces mlab.PCA results
    eigenvectors, eigenvalues, V = np.linalg.svd(data.T, full_matrices=False)
    projected_data = np.dot(data, eigenvectors)
    sigma = projected_data.std(axis=0).mean()
    print(eigenvectors)

    fig, ax = plt.subplots()
    ax.scatter(xData, yData, s= 0.1)
    for axis in eigenvectors:
        start, end = mu, mu + sigma * axis
        ax.annotate(
            '', xy=end, xycoords='data',
            xytext=start, textcoords='data',
            arrowprops=dict(facecolor='red', width=2.0))
    ax.set_aspect('equal')
    plt.show()

打印（数据）

特征向量 [-0.99999927 -0.00120856] [-0.00120856 0.9999927]

开始，结束

 1.95096698e+01 -5.70968943e-03] [ 1.7057429e+01 -8.6733643e-03]
[ 1.95096698e+01 -5.70968943e-03] [19.50670611  2.44653112]

---

你的问题似乎是轴的极限。注释不会更新轴限制信息，绘图仅使用数据限制（图像上的散点图）

我能够用代码手动生成您想要的绘图（函数plot_andre）

---

只需将轴限制设置为一些合适的值，如0-20和0-20。

在您的情况下，问题似乎是轴的限制。注释不会更新轴限制信息，绘图仅使用数据限制（图像上的散点图）

我能够用代码手动生成您想要的绘图（函数plot_andre）

---

只需将轴限制设置为一些合适的值，如0-20和0-20。

这里我测试了您的代码，我认为您的一个主要问题是直线

sigma=projected_data.std（axis=0.mean（）

，要查看各个特征方向上的散射，您不需要

mean（）

但在两个方向上都需要

std

的两个值。所以只要去掉平均值，就可以得到很好的pca图。我在下面用一些伪随机数测试了它

#data = np.hstack((xData, yData))
N = 8000
data = np.random.random((N,2))
########################################################################
# Random number in Ellipse
########################################################################
a = 0.5
b = 0.15
a2 = a**2
b2 = b**2
cx = 0.5
cy = 0.5
xData = []
yData = []
for i in range(N):
    if ((data[i,0]-cx)**2/a2+(data[i,1]-cy)**2/b2 -1.)<0:
        xData.append(data[i,0])
        yData.append(data[i,1])
##################################################
xData = np.array(xData)
yData = np.array(yData)
data = np.vstack((xData, yData)).T

mu = data.mean(axis=0)

data = data - mu
# data = (data - mu)/data.std(axis=0)  # Uncommenting this reproduces mlab.PCA results
eigenvectors, eigenvalues, V = np.linalg.svd(data.T, full_matrices=False)
projected_data = np.dot(data, eigenvectors)
print np.shape(projected_data)
############################################################
#sigma = projected_data.std(axis=0).mean()
# In this line, mean is removed
sigma = projected_data.std(axis=0)
############################################################
fig, ax = plt.subplots(figsize=(7,7))
ax.scatter(xData, yData, s= 0.1)
ax.scatter(mu[0],mu[1],s = 50,marker='*', c = 'r')
for axis,s in zip(eigenvectors,sigma):
    #start, end = mu, mu + sigma * axis
    start, end = mu, mu + s * axis
    ax.annotate(
        '', xy=end, xycoords='data',
        xytext=start, textcoords='data',
        arrowprops=dict(facecolor='red', width=2.0))
ax.set_aspect('equal')
plt.savefig("pcs.png")
plt.show()

#print eigenvalues

#data=np.hstack（（扩展数据，yData））
N=8000
数据=np.random.random（（N，2））
########################################################################
#椭圆中的随机数
########################################################################
a=0.5
b=0.15
a2=a**2
b2=b**2
cx=0.5
cy=0.5
扩展数据=[]
yData=[]
对于范围（N）中的i：
如果（（数据[i，0]-cx）**2/a2+（数据[i，1]-cy）**2/b2-1.）这里我测试了你的代码，我认为你的一个主要问题是线
sigma=projected_data.std（axis=0）.mean（）
，要查看各自本征方向上的散射，你不需要
mean（）
，但你需要两个本征方向上的
std
。所以只要去掉平均值，就可以得到很好的pca图。我在下面用一些伪随机数测试了它

#data = np.hstack((xData, yData))
N = 8000
data = np.random.random((N,2))
########################################################################
# Random number in Ellipse
########################################################################
a = 0.5
b = 0.15
a2 = a**2
b2 = b**2
cx = 0.5
cy = 0.5
xData = []
yData = []
for i in range(N):
    if ((data[i,0]-cx)**2/a2+(data[i,1]-cy)**2/b2 -1.)<0:
        xData.append(data[i,0])
        yData.append(data[i,1])
##################################################
xData = np.array(xData)
yData = np.array(yData)
data = np.vstack((xData, yData)).T

mu = data.mean(axis=0)

data = data - mu
# data = (data - mu)/data.std(axis=0)  # Uncommenting this reproduces mlab.PCA results
eigenvectors, eigenvalues, V = np.linalg.svd(data.T, full_matrices=False)
projected_data = np.dot(data, eigenvectors)
print np.shape(projected_data)
############################################################
#sigma = projected_data.std(axis=0).mean()
# In this line, mean is removed
sigma = projected_data.std(axis=0)
############################################################
fig, ax = plt.subplots(figsize=(7,7))
ax.scatter(xData, yData, s= 0.1)
ax.scatter(mu[0],mu[1],s = 50,marker='*', c = 'r')
for axis,s in zip(eigenvectors,sigma):
    #start, end = mu, mu + sigma * axis
    start, end = mu, mu + s * axis
    ax.annotate(
        '', xy=end, xycoords='data',
        xytext=start, textcoords='data',
        arrowprops=dict(facecolor='red', width=2.0))
ax.set_aspect('equal')
plt.savefig("pcs.png")
plt.show()

#print eigenvalues

#data=np.hstack（（扩展数据，yData））
N=8000
数据=np.random.random（（N，2））
########################################################################
#椭圆中的随机数
########################################################################
a=0.5
b=0.15
a2=a**2
b2=b**2
cx=0.5
cy=0.5
扩展数据=[]
yData=[]
对于范围（N）中的i：
如果（（数据[i，0]-cx）**2/a2+（数据[i，1]-cy）**2/b2-1。）您能显示
打印（数据）
和
打印（特征向量）
的输出吗？您对数据使用PCA的方式是否正确？我的意思是，你只把T1作为扩展数据，然后把应变作为ydata。因为我们不知道数组的大小，所以我不知道输出是否错误。@hadik我打印了data@msi_gervax，y的数组大小相同data@msi_gerva这两种方法都是有效的。您能否显示
打印（数据）
和
打印（特征向量）
的输出？您是否以正确的方式对数据使用PCA？我的意思是，你只把T1作为扩展数据，然后把应变作为ydata。因为我们不知道数组的大小，所以我不知道输出是否错误。@hadik我打印了data@msi_gervax，y的数组大小相同data@msi_gerva这两种方法都很有效。你知道如何根据温度对数据建模和预测应变吗？关于如何做到这一点有什么信息吗？非常感谢你的帮助。你知道如何根据温度对数据建模和预测应变吗？关于如何做到这一点的任何信息？如何导入cvs文件并对其进行分析？如何导入cvs文件并对其进行分析？
#data = np.hstack((xData, yData))
N = 8000
data = np.random.random((N,2))
########################################################################
# Random number in Ellipse
########################################################################
a = 0.5
b = 0.15
a2 = a**2
b2 = b**2
cx = 0.5
cy = 0.5
xData = []
yData = []
for i in range(N):
    if ((data[i,0]-cx)**2/a2+(data[i,1]-cy)**2/b2 -1.)<0:
        xData.append(data[i,0])
        yData.append(data[i,1])
##################################################
xData = np.array(xData)
yData = np.array(yData)
data = np.vstack((xData, yData)).T

mu = data.mean(axis=0)

data = data - mu
# data = (data - mu)/data.std(axis=0)  # Uncommenting this reproduces mlab.PCA results
eigenvectors, eigenvalues, V = np.linalg.svd(data.T, full_matrices=False)
projected_data = np.dot(data, eigenvectors)
print np.shape(projected_data)
############################################################
#sigma = projected_data.std(axis=0).mean()
# In this line, mean is removed
sigma = projected_data.std(axis=0)
############################################################
fig, ax = plt.subplots(figsize=(7,7))
ax.scatter(xData, yData, s= 0.1)
ax.scatter(mu[0],mu[1],s = 50,marker='*', c = 'r')
for axis,s in zip(eigenvectors,sigma):
    #start, end = mu, mu + sigma * axis
    start, end = mu, mu + s * axis
    ax.annotate(
        '', xy=end, xycoords='data',
        xytext=start, textcoords='data',
        arrowprops=dict(facecolor='red', width=2.0))
ax.set_aspect('equal')
plt.savefig("pcs.png")
plt.show()

#print eigenvalues