案例代码实现
1.导入必要库
首先导入Python中用于数据处理、矩阵运算和可视化的库：
numpy：用于生成模拟数据和矩阵运算；
pandas：用于数据格式化（可选，方便查看）；
matplotlib：用于绘制碎石图（选择主成分数量）；
sklearn.preprocessing.StandardScaler：用于数据标准化（必选，消除量纲影响）。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
2.模拟人脸像素数据
根据案例背景，模拟5个样本（5张人脸）、100个特征（10×10像素亮度）的数据。
每个样本的特征值是递减的等差数列（模拟额头→下巴的亮度变化，比如额头亮、下巴暗）；
加入少量随机噪声（模拟真实图像的细微差异），确保相邻特征相关性高（符合案例中的“冗余信息多”特点）。
def generate_face_data(n_samples=5, n_features=100, noise=0.1):
"""
模拟人脸像素数据（亮度值）
参数：
n_samples：样本数量（人脸数量）
n_features：特征数量（像素点数量，10×10=100）
noise：噪声强度（控制数据的细微差异）
返回：
data：模拟的人脸数据，形状为(n_samples, n_features)
feature_names：特征名称（特征1~特征100）
"""
# 生成基础亮度序列（递减，模拟额头→下巴的亮度变化）
base = np.linspace(200, 50, n_features) # 200（亮）→50（暗）
# 为每个样本生成带噪声的亮度值
data = []
for i in range(n_samples):
# 每个样本的基础序列加上随机噪声（噪声强度为noise×base）
sample = base + noise * base * np.random.randn(n_features)
data.append(sample)
# 转换为numpy数组（形状：n_samples×n_features）
data = np.array(data)
# 生成特征名称（特征1~特征100）
feature_names = [f"特征{i+1}" for i in range(n_features)]
return data, feature_names
# 生成模拟数据（5个样本，100个特征）
X, feature_names = generate_face_data(n_samples=5, n_features=100, noise=0.1)
# 转换为DataFrame（方便查看）
df = pd.DataFrame(X, columns=feature_names, index=[f"P{i+1}" for i in range(5)])
print("模拟人脸数据（前5个特征）：")
print(df.iloc[:, :5].round(2)) # 只显示前5个特征，保留2位小数
3.数据标准化（必做步骤）
PCA对量纲敏感，必须将数据标准化（均值为0，方差为1），否则量纲大的特征会主导主成分。使用sklearn的StandardScaler实现标准化：
def standardize_data(data):
"""
数据标准化（均值为0，方差为1）
参数：
data：原始数据，形状为(n_samples, n_features)
返回：
data_std：标准化后的数据
scaler：标准化器（保存均值和标准差，可用于后续逆转换）
"""
scaler = StandardScaler()
data_std = scaler.fit_transform(data)
return data_std, scaler
# 标准化数据
X_std, scaler = standardize_data(X)
print("\n标准化后的数据（前5个特征，均值≈0，方差≈1）：")
print(pd.DataFrame(X_std, columns=feature_names).iloc[:, :5].round(2))
4.计算协方差矩阵
协方差矩阵反映特征之间的相关性（标准化后，协方差矩阵等于相关矩阵）。使用numpy的cov函数计算，rowvar=False表示每列是一个特征：
# 计算协方差矩阵（形状：n_features×n_features）
cov_matrix = np.cov(X_std, rowvar=False)
print("\n协方差矩阵形状：", cov_matrix.shape) # 输出：(100, 100)
5.特征值分解（核心步骤）
对协方差矩阵进行特征值分解，得到特征值（主成分的方差）和特征向量（主成分的方向）。使用numpy的linalg.eig函数实现：
# 特征值分解（eigvals：特征值，eigvecs：特征向量）
eigvals, eigvecs = np.linalg.eig(cov_matrix)
# 注意：特征值可能为复数（因计算误差），取实部
eigvals = np.real(eigvals)
eigvecs = np.real(eigvecs)
# 按特征值从大到小排序（主成分按信息多少排列）
sorted_idx = np.argsort(eigvals)[::-1] # 逆序排列的索引
sorted_eigvals = eigvals[sorted_idx] # 排序后的特征值（从大到小）
sorted_eigvecs = eigvecs[:, sorted_idx] # 排序后的特征向量（对应特征值的顺序）
print("\n前5个特征值（从大到小）：", sorted_eigvals[:5].round(2))
6.选择主成分数量（关键：累计解释方差比）
通过累计解释方差比选择主成分数量，通常要求累计解释方差比≥80%~95%（保留大部分信息）。同时，绘制碎石图（特征值折线图），找“拐点”（特征值突然下降的位置）辅助判断。
def select_components(eigvals, threshold=0.95):
"""
根据累计解释方差比选择主成分数量
参数：
eigvals：排序后的特征值（从大到小）
threshold：累计解释方差比阈值（默认0.95，即保留95%以上信息）
返回：
n_components：选择的主成分数量
cumulative_er：累计解释方差比（数组）
explained_var_ratio：单个主成分解释方差比（数组）
"""
# 计算总方差（特征值之和）
total_var = np.sum(eigvals)
# 计算每个特征值的解释方差比（单个主成分的信息占比）
explained_var_ratio = eigvals / total_var
# 计算累计解释方差比
cumulative_er = np.cumsum(explained_var_ratio)
# 找到满足累计解释方差比≥threshold的最小主成分数量
n_components = np.argmax(cumulative_er >= threshold) + 1 # +1因为索引从0开始
return n_components, cumulative_er, explained_var_ratio
# 选择主成分（累计解释方差比≥95%）
n_components, cumulative_er, explained_var_ratio = select_components(sorted_eigvals, threshold=0.95)
print(f"\n选择的主成分数量：{n_components}")
print(f"前{n_components}个主成分的累计解释方差比：{cumulative_er[n_components-1]:.2%}")
# 绘制碎石图（特征值折线图）
plt.figure(figsize=(8, 4))
plt.plot(range(1, len(sorted_eigvals)+1), sorted_eigvals, marker='o', linestyle='--')
plt.title('碎石图（Scree Plot）')
plt.xlabel('主成分编号')
plt.ylabel('特征值（方差）')
plt.axvline(x=n_components, color='r', linestyle='-', label=f'选择的主成分数量：{n_components}')
plt.legend()
plt.show()
7.投影降维（得到主成分）
将标准化后的数据投影到前n_components个特征向量上，得到降维后的主成分矩阵。
def project_data(data_std, eigvecs, n_components):
"""
将数据投影到前n_components个特征向量上（降维）
参数：
data_std：标准化后的数据（n_samples×n_features）
eigvecs：排序后的特征向量（n_features×n_features）
n_components：选择的主成分数量
返回：
principal_components：主成分矩阵（n_samples×n_components）
"""
# 取前n_components个特征向量（主成分方向）
top_eigvecs = eigvecs[:, :n_components]
# 投影计算（矩阵乘法：数据×特征向量）
principal_components = data_std @ top_eigvecs
return principal_components
# 投影降维，得到主成分矩阵
pc_matrix = project_data(X_std, sorted_eigvecs, n_components)
# 转换为主成分DataFrame（方便查看）
pc_df = pd.DataFrame(pc_matrix, columns=[f"PC{i+1}" for i in range(n_components)], index=[f"P{i+1}" for i in range(5)])
print("\n降维后的主成分矩阵（5个样本×{n_components}个主成分）：".format(n_components=n_components))
print(pc_df.round(2))
8.主成分解释（结合业务）
主成分是原始特征的线性组合，权重为特征向量的分量。通过分析特征向量的权重，可以解释主成分的含义。
# 提取第一个主成分的特征向量（权重）
pc1_weights = sorted_eigvecs[:, 0] # 第一个主成分的方向（特征向量）
# 转换为DataFrame（方便查看）
pc1_weights_df = pd.DataFrame(pc1_weights, index=feature_names, columns=["权重"])
# 按权重绝对值从大到小排序（查看对PC1贡献大的特征）
pc1_weights_df = pc1_weights_df.sort_values(by="权重", ascending=False)
print("\n第一个主成分（PC1）的特征权重（前10个特征）：")
print(pc1_weights_df.head(10).round(3))
print("\nPC1的含义：所有特征的权重均为正，且数值较大（比如前10个特征的权重都在0.09以上），说明PC1是**整体亮度的综合**（比如额头、眼睛、嘴巴等部位的亮度总和），能有效区分不同人的整体亮度差异（比如P3的PC1值最大，说明他的脸最亮；P4的PC1值最小，说明他的脸最暗）。")
9.完整主程序（整合所有步骤）
将上述步骤整合为一个主程序，方便运行：
if __name__ == "__main__":
# 1. 模拟数据
X, feature_names = generate_face_data(n_samples=5, n_features=100, noise=0.1)
# 转换为DataFrame（方便查看）
df = pd.DataFrame(X, columns=feature_names, index=[f"P{i+1}" for i in range(5)])
print("模拟人脸数据（前5个特征）：")
print(df.iloc[:, :5].round(2))
# 2. 标准化数据
X_std, scaler = standardize_data(X)
print("\n标准化后的数据（前5个特征）：")
print(pd.DataFrame(X_std, columns=feature_names).iloc[:, :5].round(2))
# 3. 计算协方差矩阵
cov_matrix = np.cov(X_std, rowvar=False)
print("\n协方差矩阵形状：", cov_matrix.shape)
# 4. 特征值分解
eigvals, eigvecs = np.linalg.eig(cov_matrix)
eigvals = np.real(eigvals)
eigvecs = np.real(eigvecs)
sorted_idx = np.argsort(eigvals)[::-1]
sorted_eigvals = eigvals[sorted_idx]
sorted_eigvecs = eigvecs[:, sorted_idx]
print("\n前5个特征值：", sorted_eigvals[:5].round(2))
# 5. 选择主成分数量
n_components, cumulative_er, explained_var_ratio = select_components(sorted_eigvals, threshold=0.95)
print(f"\n选择的主成分数量：{n_components}")
print(f"累计解释方差比：{cumulative_er[n_components-1]:.2%}")
# 6. 绘制碎石图
plt.figure(figsize=(8, 4))
plt.plot(range(1, len(sorted_eigvals)+1), sorted_eigvals, marker='o', linestyle='--')
plt.title('碎石图（Scree Plot）')
plt.xlabel('主成分编号')
plt.ylabel('特征值（方差）')
plt.axvline(x=n_components, color='r', linestyle='-', label=f'选择的主成分数量：{n_components}')
plt.legend()
plt.show()
# 7. 投影降维
pc_matrix = project_data(X_std, sorted_eigvecs, n_components)
pc_df = pd.DataFrame(pc_matrix, columns=[f"PC{i+1}" for i in range(n_components)], index=[f"P{i+1}" for i in range(5)])
print("\n降维后的主成分矩阵：")
print(pc_df.round(2))
# 8. 解释主成分
pc1_weights = sorted_eigvecs[:, 0]
pc1_weights_df = pd.DataFrame(pc1_weights, index=feature_names, columns=["权重"]).sort_values(by="权重", ascending=False)
print("\n第一个主成分（PC1）的特征权重（前10个特征）：")
print(pc1_weights_df.head(10).round(3))
print("\nPC1的含义：整体亮度的综合，能区分不同人的整体亮度差异。")
10.如何使用？
运行环境：确保安装了numpy、pandas、matplotlib、sklearn库（可通过pip install numpy pandas matplotlib scikit-learn安装）。
修改参数：
若要模拟更多样本或特征，可调整generate_face_data函数的n_samples（样本数量）和n_features（特征数量）参数；
若要改变累计解释方差比阈值（比如保留80%信息），可调整select_components函数的threshold参数（如threshold=0.8）。
结果解读：
模拟数据：前5个特征是递减的，符合额头→下巴的亮度变化；
标准化后的数据：均值≈0，方差≈1，消除了量纲影响；
特征值：前几个特征值很大，后面的很小（碎石图有明显拐点）；
主成分矩阵：降维后的结果，每个样本的主成分值代表其“综合特征”（比如PC1代表整体亮度）；
主成分解释：通过特征向量的权重，可解释主成分的业务含义（比如PC1是整体亮度的综合）。
11.注意事项
必须标准化：否则量纲大的特征会主导主成分（比如若有一个特征是“身高（cm）”，另一个是“体重（kg）”，未标准化会导致体重的方差远大于身高，PC1会主要反映体重的变化）；
主成分顺序：必须按特征值从大到小排列，否则会丢失最重要的信息；
主成分解释：需结合业务背景（比如人脸数据的主成分通常代表“整体亮度”“五官位置”等）；
局限性：PCA是线性降维，无法捕捉非线性关系（比如“U”型数据）；若需保留与标签相关的信息，可使用有监督降维（如LDA）。
通过这个案例，数模小白可以掌握PCA的完整流程，包括数据模拟、标准化、特征值分解、主成分选择、投影降维及结果解释，能快速将PCA应用到实际问题（如高维数据降维、可视化、去除冗余）中。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
