当数据维度很多的时候，利用主成分分析可以达到降维的目的。而python可以很简单地完成这个工作。
工具/原料
1
python
2
sklearn
3
数据集
方法/步骤
1
本文以sklearn中的wine数据集为例来说明主成分分析。首先下载数据集。from sklearn import datasetswine=datasets.load_wine()X=wine.datay=wine.targettarget_names=wine.target_names
2
从机器学习包中导入主成分分析函数。from sklearn.decomposition import PCA
3
建立主成分，这里设主成分个数为2个，即n_components=2，其他参数为默认值。pca = PCA(n_components=2)
4
训练模型，并得到主成分变量。X_p= pca.fit(X).transform(X)print(X.shape)#原始变量维度print(X_p.shape)#主成分变量的维度由结果可知，原来的13维变量，现在降到了二维变量。
5
获取每个主成分的贡献度。print('各主成分贡献度:{}'.format(pca.explained_variance_ratio_))可以看到第一个主成分贡献度已经很高。
6
当多维变量降维后，就可以在二维坐标绘制出散点图了。plt.figure()plt.scatter(X_p[:, 0], X_p[:, 1], c=y,alpha=.8,label=target_names)plt.legend()plt.title('PCA of Wine')