三种方法实现PCA算法(Python)

  主成分分析，即Principal Component Analysis（PCA），是多元统计中的重要内容，也广泛应用于机器学习和其它领域。它的主要作用是对高维数据进行降维。PCA把原先的n个特征用数目更少的k个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的k个特征互不相关。关于PCA的更多介绍，请参考：https://en.wikipedia.org/wiki/Principal_component_analysis.
  PCA的主要算法如下：
- 组织数据形式，以便于模型使用；

• 计算样本每个特征的平均值；
• 每个样本数据减去该特征的平均值（归一化处理）；
• 求协方差矩阵；
• 找到协方差矩阵的特征值和特征向量；
• 对特征值和特征向量重新排列（特征值从大到小排列）；
• 对特征值求取累计贡献率；
• 对累计贡献率按照某个特定比例，选取特征向量集的字迹合；
• 对原始数据（第三步后）。

  其中协方差矩阵的分解可以通过按对称矩阵的特征向量来，也可以通过分解矩阵的SVD来实现，而在Scikit-learn中，也是采用SVD来实现PCA算法的。关于SVD的介绍及其原理，可以参考：矩阵的奇异值分解（SVD）（理论）。
  本文将用三种方法来实现PCA算法，一种是原始算法，即上面所描述的算法过程，具体的计算方法和过程，可以参考：A tutorial on Principal Components Analysis, Lindsay I Smith. 一种是带SVD的原始算法，在Python的Numpy模块中已经实现了SVD算法，并且将特征值从大从小排列，省去了对特征值和特征向量重新排列这一步。最后一种方法是用Python的Scikit-learn模块实现的PCA类直接进行计算，来验证前面两种方法的正确性。
  用以上三种方法来实现PCA的完整的Python如下：

import numpy as npfrom sklearn.decomposition import PCAimport sys#returns choosing how many main factorsdef index_lst(lst, component=0, rate=0):    #component: numbers of main factors    #rate: rate of sum(main factors)/sum(all factors)    #rate range suggest: (0.8,1)    #if you choose rate parameter, return index = 0 or less than len(lst)    if component and rate:        print('Component and rate must choose only one!')        sys.exit(0)    if not component and not rate:        print('Invalid parameter for numbers of components!')        sys.exit(0)    elif component:        print('Choosing by component, components are %s......'%component)        return component    else:        print('Choosing by rate, rate is %s ......'%rate)        for i in range(1, len(lst)):            if sum(lst[:i])/sum(lst) >= rate:                return i        return 0def main():    # test data    mat = [[-1,-1,0,2,1],[2,0,0,-1,-1],[2,0,1,1,0]]    # simple transform of test data    Mat = np.array(mat, dtype='float64')    print('Before PCA transforMation, data is:\n', Mat)    print('\nMethod 1: PCA by original algorithm:')    p,n = np.shape(Mat) # shape of Mat     t = np.mean(Mat, 0) # mean of each column    # substract the mean of each column    for i in range(p):        for j in range(n):            Mat[i,j] = float(Mat[i,j]-t[j])    # covariance Matrix    cov_Mat = np.dot(Mat.T, Mat)/(p-1)    # PCA by original algorithm    # eigvalues and eigenvectors of covariance Matrix with eigvalues descending    U,V = np.linalg.eigh(cov_Mat)     # Rearrange the eigenvectors and eigenvalues    U = U[::-1]    for i in range(n):        V[i,:] = V[i,:][::-1]    # choose eigenvalue by component or rate, not both of them euqal to 0    Index = index_lst(U, component=2)  # choose how many main factors    if Index:        v = V[:,:Index]  # subset of Unitary matrix    else:  # improper rate choice may return Index=0        print('Invalid rate choice.\nPlease adjust the rate.')        print('Rate distribute follows:')        print([sum(U[:i])/sum(U) for i in range(1, len(U)+1)])        sys.exit(0)    # data transformation    T1 = np.dot(Mat, v)    # print the transformed data    print('We choose %d main factors.'%Index)    print('After PCA transformation, data becomes:\n',T1)    # PCA by original algorithm using SVD    print('\nMethod 2: PCA by original algorithm using SVD:')    # u: Unitary matrix,  eigenvectors in columns     # d: list of the singular values, sorted in descending order    u,d,v = np.linalg.svd(cov_Mat)    Index = index_lst(d, rate=0.95)  # choose how many main factors    T2 = np.dot(Mat, u[:,:Index])  # transformed data    print('We choose %d main factors.'%Index)    print('After PCA transformation, data becomes:\n',T2)    # PCA by Scikit-learn    pca = PCA(n_components=2) # n_components can be integer or float in (0,1)    pca.fit(mat)  # fit the model    print('\nMethod 3: PCA by Scikit-learn:')    print('After PCA transformation, data becomes:')    print(pca.fit_transform(mat))  # transformed datamain()

运行以上代码，输出结果为：

  这说明用以上三种方法来实现PCA都是可行的。这样我们就能理解PCA的具体实现过程啦~~
  有兴趣的读者可以用其它语言实现一下哈。

---

参考文献：

1. PCA 维基百科： https://en.wikipedia.org/wiki/Principal_component_analysis.
2. 讲解详细又全面的PCA教程： A tutorial on Principal Components Analysis, Lindsay I Smith.
3. 博客：矩阵的奇异值分解（SVD）（理论）：http://www.cnblogs.com/jclian91/p/8022426.html.
4. 博客：主成分分析PCA: https://www.cnblogs.com/zhangchaoyang/articles/2222048.html.
5. Scikit-learn的PCA介绍：http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html.