python中变量对PC的贡献[关闭]

Question

我使用PCA找到60台PC：

N_comp=60 
from sklearn.decomposition import PCA
pca = PCA(n_components = N_comp)
X_pca=pca.fit_transform(X_scale) #lower dimension data
eigenvalues=pca.components_

现在，我试图找到我的功能（X数据列）对PC1和PC2的贡献。例如，对于PC1，我想显示前10个特征中每个特征的百分比的条形图，其中x轴将具有特征的标签。

像这样的东西：

我试图在python中这样做，但无法弄清楚如何找到功能名称。例如，我所做的是排序以找到组成PC1的前10个特征变量：

N_elements=10
PC1=abs(eigenvalues[1,:])
PC1.sort(axis=0)
PC1=PC1[::-1]
PC1=PC1[0:N_elements]
PC1

结果如何

array([0.17040832, 0.16937861, 0.1683676 , 0.16544657, 0.16491703,
   0.16491679, 0.16168056, 0.16108829, 0.16034576, 0.16029183])

并绘制它：

plt.bar(range(N_elements), PC1, alpha=0.3, align='center')
plt.title('Contributions of variables to PC1')

但是这导致X轴仅为0到9（对应于10个元素）。我如何检索名称并在标题栏上放置标签？

非常感谢！

Answer 1

主要组件的元素与变量的顺序相同。具有相应索引（i = 1 ... p）的元素的绝对值越大，该变量对该PC的转换的贡献越大。

Answer 2

首先，请考虑评论以及您可以采取哪些措施来改善问题的质量。这里“好”问题的关键组成部分是（1）可重现的样本数据，（2）真实的代码尝试，以及（3）特定的编码问题而不是询问“如何实现XYZ”的帖子。

除此之外，以下内容应该让你开始。所有信息实际上都在你自己提供的链接中，我建议花一些时间来理解这些材料。

1. 首先，由于您没有提供样本数据，因此我们可以使用内置的USArrest数据集。我们使用prcomp执行PCA pca <- prcomp(USArrests)
2. 我们通过乘以可变载荷和标准偏差来得到坐标 coord <- t(t(pca$rotation) * pca$sdev) 这里的t(t(...) * ...)构造确保我们将变量加载矩阵pca$rotation的每一列的条目与向量pca$sdev中的相应条目相乘。
3. 如链接中所解释的那样，变量贡献就是平方坐标，表示为每个主成分平方坐标总和的百分比

   contrib <- t(t(coord ^ 2) / colSums(coord ^ 2)) * 100
   contrib
   #                PC1        PC2        PC3        PC4
   #Murder    0.1739250  0.2008981  0.6382517 98.9869251
   #Assault  99.0465399  0.3452741  0.4565669  0.1516191
   #UrbanPop  0.2147001 95.4250536  4.0218813  0.3383649
   #Rape      0.5648349  4.0287742 94.8833000  0.5230908

4. 让我们将其与factoextra::get_pca_var的结果进行比较

   get_pca_var(pca)$contrib
   #              Dim.1      Dim.2      Dim.3      Dim.4
   #Murder    0.1739250  0.2008981  0.6382517 98.9869251
   #Assault  99.0465399  0.3452741  0.4565669  0.1516191
   #UrbanPop  0.2147001 95.4250536  4.0218813  0.3383649
   #Rape      0.5648349  4.0287742 94.8833000  0.5230908

   如您所见，结果完全相同。我把阴谋留给你;你可以在SO和网上找到关于如何在这里展示条形图的大量建议。