【python】PCA计算权重
将分步骤基于python实现PCA计算权重,代码在pycharm中执行。
1.引入库
将需要的库导入pycharm
import numpy as np
import pandas as pd
from sklearn.decomposition import PCA
from sklearn import preprocessing
2.读取数据
filename为文件名,将数据转换为dataframe格式
# 数据导入
csv_file = "filename.csv"
csv_data = pd.read_csv(csv_file, low_memory=False) # 防止弹出警告
csv_df = pd.DataFrame(csv_data)
3.数据标准化
这里还可以选用StandardScaler、MaxAbsScaler、Normalizer进行标准化
scaler = preprocessing.MinMaxScaler().fit(csv_df)
X_scaler = pd.DataFrame(scaler.transform(csv_df))
4.PCA(主成分分析)
这里用的是sklearn里的pca库
# 主成分分析建模
pca = PCA(n_components=None) # n_components提取因子数量
# n_components=‘mle’,将自动选取主成分个数n,使得满足所要求的方差百分比
# n_components=None,返回所有主成分
pca.fit(X_scaler)
pca.explained_variance_ # 贡献方差,即特征根
pca.explained_variance_ratio_ # 方差贡献率
pca.components_ # 成分矩阵
k1_spss = pca.components_ / np.sqrt(pca.explained_variance_.reshape(-1, 1)) # 成分得分系数矩阵
4.确定权重
# 确定权重
# 求指标在不同主成分线性组合中的系数
j = 0
Weights = []
for j in range(len(k1_spss)):
for i in range(len(pca.explained_variance_)):
Weights_coefficient = np.sum(100 * (pca.explained_variance_ratio_[i]) * (k1_spss[i][j])) / np.sum(
pca.explained_variance_ratio_)
j = j + 1
Weights.append(np.float(Weights_coefficient))
print('Weights',Weights)
5.对权重结果进行归一化
Weights=pd.DataFrame(Weights)
Weights1 = preprocessing.MinMaxScaler().fit(Weights)
Weights2 = Weights1.transform(Weights)
print('Weights2',Weights2)
总结
本文运用主成分分析法确定权重,主要利用了sklearn的pca库,比较简单易懂。