SkLearning PCA：正确的PC维度

  
本文介绍了SkLearning PCA：正确的PC维度的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！

问题描述

我有一个数据帧df，它包含一个名为‘Event’的列，其中有一个24x24x40数值数组。我想：

  • 提取此数字数组；
  • 将其展平为1x23040向量；
  • 将此条目作为列添加到新的Numpy数组或数据帧中；
  • 对结果矩阵执行PCA。

但是，PCA生成的特征向量的维度为"条目数"，而不是"数据中的维度数"。

为了说明我的问题，我演示了一个运行良好的最小示例：

示例1

from sklearn import datasets, decomposition

digits = datasets.load_digits()
X = digits.data

pca = decomposition.PCA()
X_pca = pca.fit_transform(X)

print (X.shape)
Result: (1797, 64)

print (X_pca.shape)
Result: (1797, 64)

每种情况都有1797个条目，特征向量为64维。

现在来看我的例子：

示例2

 from sklearn import datasets, decomposition
 import pandas as pd
 hdf=pd.HDFStore('./afile.h5')
 df=hdf.select('batch0')

 print(df['event'][0].shape)
 Result: (1, 24, 24, 40)

 print(df['event'][0].shape.flatten())
 Result: (23040,)

 for index, row in df.iterrows():
        entry = df['event'][index].flatten()
        _list.append(entry)


 X = np.asarray(_list)
 pca = decomposition.PCA()
 X_pca=pca.fit_transform(X)

 print (X.shape)
 Result: (201, 23040)
 print (X_pca.shape)
 Result:(201, 201)

这是一个维度的数据，201条条目！

我不熟悉数据帧，因此可能是我错误地迭代了数据帧。但是，我已经检查了示例2中X中得到的NumPy数组的行是否可以按照预期进行整形和绘制。

如有任何想法，我们将不胜感激！

问候！

推荐答案

SkLearning的文档说明，未指定n_components参数时保留的组件数为min(n_samples, n_features)。

现在，转到您的示例：

在您的第一个示例中，数据样本的数量1797小于维度的数量64，因此它保持整个维度(因为您没有指定组件的数量)。然而，在您的第二个示例中，数据样本的数量远远少于特征的数量，因此，Sklearns的PCA将维度的数量减少到n_samples。

这篇关于SkLearning PCA：正确的PC维度的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持编程学习网！

相关文章
Python问题最新文章
热门教程