PCA - Python代码（第二版）

文章结构概览

• 一、基础概念概述
  • • 1.1 numpy 中的 .std() 与 pandas 中的 .std() 存在差异
    • 1.2 np.linalg.svd()
    • 1.3 PCA 的实际应用

  • 二、PCA 的计算步骤

  • • 2.1 特征归一化处理

    • 2.2 构建降维所用的矩阵

    • • 2.2.1 首先对样本特征进行协方差矩阵的计算
      • 2.2.2 进一步求解协方差矩阵对应的特征值与特征向量

    • 2.3 实施降维操作

    • 2.4 确定降维维度（k 值的选择依据）

  • 三、Python 编程实现

  • • 3.1 对二维数据进行PCA分析
    • 3.2 多维PCA在面部数据中的应用

  • 四、原始数据的重构过程

  • 值得注意的是，Python在各类场景中始终扮演着重要角色

  • 培训说明

一、简单概念介绍

1.1 numpy 的 .std() 和 pandas 的 .std() 函数之间是不同的

在默认设置下，numpy 所执行的计算采用的是总体标准差，此时 ddof 参数被设定为 0。而 pandas 默认使用样本标准差，对应的 ddof 值为 1。当所有数据点都已知时，这意味着我们面对的是一个完整的总体，因此若希望