2.6 降维 之 主成分分析

学习目标

• 目标
  • 应用PCA实现特征的降维

• 应用

  • 用户与物品类别之间主成分分析

    2.6.1 什么是主成分分析(PCA)

• 定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量
  

• 作用：是数据维数压缩，尽可能降低原数据的维数（复杂度），损失少量信息。
  
• 应用：回归分析或者聚类分析当中

  对于信息一词，在决策树中会进行介绍

那么更好的理解这个过程呢？我们来看一张图

1 计算案例理解(了解，无需记忆)

假设对于给定5个点，数据如下

(-1,-2)
(-1, 0)
( 0, 0)
( 2, 1)
( 0, 1)

要求：将这个二维的数据简化成一维？ 并且损失少量的信息

这个过程如何计算的呢？找到一个合适的直线，通过一个矩阵运算得出主成分分析的结果（不需要理解）

2 API

• sklearn.decomposition.PCA(n_components=None)

  • 将数据分解为较低维数空间
  • n_components:
    • 小数：表示保留百分之多少的信息
    • 整数：减少到多少特征
  • PCA.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]
  • 返回值：转换后指定维度的array

    3 数据计算

    先拿个简单的数据计算一下

    [[2,8,4,5],
    [6,3,0,8],
    [5,4,9,1]]

    from sklearn.decomposition import PCA
    def pca_demo():
    """
    对数据进行PCA降维
    :return: None
    """
    data = [[2,8,4,5], [6,3,0,8], [5,4,9,1]]
    # 1、实例化PCA, 小数——保留多少信息
    transfer = PCA(n_components=0.9)
    # 2、调用fit_transform
    data1 = transfer.fit_transform(data)
    print("保留90%的信息，降维结果为：\n", data1)
    # 1、实例化PCA, 整数——指定降维到的维数
    transfer2 = PCA(n_components=3)
    # 2、调用fit_transform
    data2 = transfer2.fit_transform(data)
    print("降维到3维的结果：\n", data2)
    return None

    返回结果：

    保留90%的信息，降维结果为：
    [[ -3.13587302e-16   3.82970843e+00]
    [ -5.74456265e+00  -1.91485422e+00]
    [  5.74456265e+00  -1.91485422e+00]]
    降维到3维的结果：
    [[ -3.13587302e-16   3.82970843e+00   4.59544715e-16]
    [ -5.74456265e+00  -1.91485422e+00   4.59544715e-16]
    [  5.74456265e+00  -1.91485422e+00   4.59544715e-16]]

    2.6.2 案例：探究用户对物品类别的喜好细分降维

    
    数据如下：

• order_products__prior.csv：订单与商品信息

  • 字段：order_id, product_id, add_to_cart_order, reordered
• products.csv：商品信息
  • 字段：product_id, product_name, aisle_id, department_id
• orders.csv：用户的订单信息
  • 字段：order_id,user_id,eval_set,order_number,….

• aisles.csv：商品所属具体物品类别

  • 字段： aisle_id, aisle

    1 需求

    

    2 分析

• 合并表，使得user_id与aisle在一张表当中

• 进行交叉表变换
• 进行降维

  3 完整代码

  import pandas as pd
  from sklearn.decomposition import PCA
  # 1、获取数据集
  # ·商品信息- products.csv：
  # Fields：product_id, product_name, aisle_id, department_id
  # ·订单与商品信息- order_products__prior.csv：
  # Fields：order_id, product_id, add_to_cart_order, reordered 
  # ·用户的订单信息- orders.csv：
  # Fields：order_id, user_id,eval_set, order_number,order_dow, order_hour_of_day, days_since_prior_order 
  # ·商品所属具体物品类别- aisles.csv：
  # Fields：aisle_id, aisle     
  products = pd.read_csv("./instacart/products.csv")
  order_products = pd.read_csv("./instacart/order_products__prior.csv")
  orders = pd.read_csv("./instacart/orders.csv")
  aisles = pd.read_csv("./instacart/aisles.csv")
  # 2、合并表，将user_id和aisle放在一张表上
  # 1）合并orders和order_products on=order_id tab1:order_id, product_id, user_id
  tab1 = pd.merge(orders, order_products, on=["order_id", "order_id"])
  # 2）合并tab1和products on=product_id tab2:aisle_id
  tab2 = pd.merge(tab1, products, on=["product_id", "product_id"])
  # 3）合并tab2和aisles on=aisle_id tab3:user_id, aisle
  tab3 = pd.merge(tab2, aisles, on=["aisle_id", "aisle_id"])
  # 3、交叉表处理，把user_id和aisle进行分组
  table = pd.crosstab(tab3["user_id"], tab3["aisle"])
  # 4、主成分分析的方法进行降维
  # 1）实例化一个转换器类PCA
  transfer = PCA(n_components=0.95)
  # 2）fit_transform
  data = transfer.fit_transform(table)
  data.shape

  返回结果：

  (206209, 44)