實現
基於python帶有功能強大的sklearn庫，非常適合做機器學習，所以在此以python為例實現。
首先，訓練集有6組資料，每組資料有4個特徵，我們的目的是將其降到2維，也就是2個特徵。
#coding=utf-8
import numpy as np
from sklearn.decomposition import pca
x = np.array([[-1,2,66,-1], [-2,6,58,-1], [-3,8,45,-2], [1,9,36,1], [2,10,62,1], [3,5,83,2]]) #匯入資料，維度為4
pca = pca(n_components=2) #降到2維
pca.fit(x) #訓練
newx=pca.fit_transform(x) #降維後的資料
# pca(copy=true, n_components=2, whiten=false)
print(pca.explained_variance_ratio_) #輸出貢獻率
print(newx) #輸出降維後的資料
引數解釋：
n_components: 我們可以利用此引數設定想要的特徵維度數目，可以是int型的數字，也可以是閾值百分比，如95%，讓pca類根據樣本特徵方差來降到合適的維數，也可以指定為string型別，mle。
copy： bool型別，true或者false，是否將原始資料複製乙份，這樣執行後原始資料值不會改變，預設為true。
whiten：bool型別，是否進行白化(就是對降維後的資料進行歸一化，使方差為1)，預設為false。如果需要後續處理可以改為true。
explained_variance_： 代表降為後各主成分的方差值，方差值越大，表明越重要。
explained_variance_ratio_： 代表各主成分的貢獻率。
inverse_transform()： 將降維後的資料轉換成原始資料，x=pca.inverse_transform(newx)。
結果分析：
[0.95713353 0.03398198]
[[ 7.96504337 4.12166867]
[ -0.43650137 2.07052079]
[-13.63653266 1.86686164]
[-22.28361821 -2.32219188]
[ 3.47849303 -3.95193502]
[ 24.91311585 -1.78492421]]
第一行為各主成分的貢獻率，可以看出第乙個特徵佔了很大比重 ，後面幾行是降維後的資料。
python實現線性回歸 python實現線性回歸
參考 機器學習實戰 machine learning in action 一 必備的包 一般而言，這幾個包是比較常見的 matplotlib，用於繪圖 numpy，陣列處理庫 pandas，強大的資料分析庫 sklearn，用於線性回歸的庫 scipy，提供很多有用的科學函式 我一般是用pip安裝，...
python爬蟲基礎實現 Python實現基礎爬蟲
初次使用urllib實現爬蟲的資料請求 urllib.request.urlopen url 發起get請求 urllib.parse.quote 將中文進行url編碼 from urllib.request importurlopen,urlretrieve,requestfrom urllib....
python實現快取 Python實現快取
注意 本文是乙個存根。稍會將發布有關不同的簡單快取實現的更詳細分析。請參閱下面的註解獲得大致的摘要。簡單快取實現 用法 注意，該實現使用普通列表來跟蹤訪問順序，以便能夠在快取填滿時丟棄最近最少使用的專案。列表型別沒有真正為此目的而優化，但是這種方法對於較小的快取非常有效，特別是當快取訪問遵循80 2...