4、PCA实战（Python）：使用sklearn进行PCA降维、explained_variance_ratio_的解读、二维可视化散点图

好，咱们直接进入正题。

前面聊了那么多PCA的理论，什么协方差矩阵、特征向量、投影空间……说实话，光看公式容易晕。我当年学的时候也是，推导了一遍觉得懂了，一上手写代码还是懵。

所以这一节，咱们直接撸代码。用Python的sklearn库，把PCA跑一遍。你会发现，其实核心代码就那么几行。

4.1 准备工作：导入库与数据集

我个人习惯，做任何数据分析之前，先把环境理清楚。这里我们用经典的鸢尾花（Iris）数据集。它只有4个特征，非常适合用来演示降维。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
feature_names = iris.feature_names

print("原始数据形状:", X.shape)
print("特征名称:", feature_names)

输出结果：

原始数据形状: (150, 4)
特征名称: ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

嗯，150个样本，4个特征。目标是把这4维降到2维，方便可视化。

4.2 数据标准化

标准化这一步，说白了就是把每个特征变成均值为0、标准差为1的分布。用StandardScaler搞定。

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

print("标准化后数据均值:", np.mean(X_scaled, axis=0).round(6))
print("标准化后数据标准差:", np.std(X_scaled, axis=0).round(6))

输出：

标准化后数据均值: [ 0. -0.  0.  0.]
标准化后数据标准差: [1. 1. 1. 1.]

你看，均值接近0，标准差为1。完美。

4.3 执行PCA降维

核心代码来了。我们指定n_components=2，把4维降到2维。

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)

print("降维后数据形状:", X_pca.shape)

输出：

降维后数据形状: (150, 2)

就这么简单。现在每个样本只有2个特征了，可以直接画散点图。

4.4 explained_variance_ratio_ 的解读

这里有个非常重要的属性——explained_variance_ratio_。它告诉你每个主成分“解释”了多少原始数据的方差。

print("各主成分解释方差比例:", pca.explained_variance_ratio_)
print("累计解释方差比例:", np.sum(pca.explained_variance_ratio_))

输出：

各主成分解释方差比例: [0.72962445 0.22850762]
累计解释方差比例: 0.95813207

什么意思？

• 第一个主成分（PC1）解释了约73%的方差
• 第二个主成分（PC2）解释了约23%的方差
• 两者加起来，保留了原始数据约96%的信息

你想想看，从4维降到2维，信息损失只有4%左右。这就是PCA的厉害之处。

4.5 二维可视化散点图

好，数据降完了，咱们画个图看看效果。

plt.figure(figsize=(10, 6))
colors = ['navy', 'turquoise', 'darkorange']
target_names = iris.target_names

for color, i, target_name in zip(colors, [0, 1, 2], target_names):
    plt.scatter(X_pca[y == i, 0], X_pca[y == i, 1], 
                color=color, alpha=0.8, lw=2,
                label=target_name)

plt.xlabel('第一主成分 (PC1) - 解释方差 {:.2f}%'.format(pca.explained_variance_ratio_[0]*100))
plt.ylabel('第二主成分 (PC2) - 解释方差 {:.2f}%'.format(pca.explained_variance_ratio_[1]*100))
plt.title('PCA降维后的鸢尾花数据二维可视化')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

画出来的图，三个类别在二维平面上分得清清楚楚。setosa那一类完全独立，versicolor和virginica虽然有点重叠，但整体边界还是很明显的。

4.6 完整代码汇总

为了方便你直接复制运行，我把完整代码贴出来：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# 1. 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 2. 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 3. PCA降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)

# 4. 输出解释方差
print("解释方差比例:", pca.explained_variance_ratio_)
print("累计解释方差:", np.sum(pca.explained_variance_ratio_))

# 5. 可视化
plt.figure(figsize=(10, 6))
colors = ['navy', 'turquoise', 'darkorange']
target_names = iris.target_names

for color, i, target_name in zip(colors, [0, 1, 2], target_names):
    plt.scatter(X_pca[y == i, 0], X_pca[y == i, 1], 
                color=color, alpha=0.8, lw=2,
                label=target_name)

plt.xlabel('PC1 ({:.2f}%)'.format(pca.explained_variance_ratio_[0]*100))
plt.ylabel('PC2 ({:.2f}%)'.format(pca.explained_variance_ratio_[1]*100))
plt.title('PCA降维可视化')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

4.7 避坑指南

最后，分享几个我踩过的坑：

• 忘记标准化：这是最常见的错误。不标准化的话，PCA会优先保留量纲大的特征，结果往往很离谱。
• 只看累计方差：累计方差高不代表降维效果好。有时候90%的方差被第一个主成分占了，剩下10%里可能藏着关键信息。我建议至少保留2-3个主成分看看。
• 过度解读主成分：降维后的坐标轴（PC1、PC2）是原始特征的线性组合，很难直接解释成某个具体特征。别硬解释。

嗯，这一节就到这儿。代码不多，但每一步都很关键。你动手跑一遍，感受一下从4维到2维的变化，比看十遍理论都管用。