主成分分析（PCA）进行特征提取

2744557306

这段代码实现了主成分分析（PCA）的数据得分计算和特征向量提取。下面是代码的解释：
! A- v6 _% s- u, h. D0 l2 }- M
1.函数定义：


2.函数名为PCA，接受两个输入参数：raw_data（原始数据）和T（保留率），并返回新数据。

( e. W* E$ |3 f1 s& z
3.数据读取与标准化：

& q; f6 `9 _+ K
4.将原始数据raw_data赋值给变量A。
5.获取数据矩阵的尺寸，其中a表示行数，b表示列数。
6.创建一个与原始数据大小相同的零矩阵SA。
7.使用循环将数据按列进行放置，并进行标准化（归一化），即将每列数据减去该列的均值，再除以该列的标准差。


$ D* k% W  I  \: N$ _" X) Y8.求解相关系数：
' y/ J1 W+ t3 `3 O$ l5 s' U, S3 k

) N0 t! Q7 I; p8 f1 L& P6 C9.使用corrcoef函数计算归一化后的数据矩阵SA的相关系数矩阵CM。
+ Q3 }9 I% U' ~% Y* e) }

10.计算特征值和特征向量：
; ^  Q( {# I" ^5 U" u* o( \0 U

3 U3 u) f! k3 k7 ^. D" l" E11.使用eig函数对相关系数矩阵CM进行特征值分解，得到特征向量矩阵V和特征值矩阵D。
. g4 L) }+ P! o: c; S- X* \

12.提取特征值和计算贡献率：
  m0 X8 }0 U2 K9 p- t# V

13.创建一个零矩阵DS，其大小为b x 3，其中b为特征值矩阵D的列数。
14.将特征值矩阵D的对角线元素（特征值）赋值给DS的第一列。
15.对DS按照第一列的值进行从大到小排序。
, K0 t. e: W$ u/ x16.计算特征值的贡献率，将特征值除以所有特征值的和，并将结果赋值给DS的第二列。
6 _; ?6 Q+ G. U- A) z4 |17.计算特征值的累计贡献率，对贡献率列进行累加，并将结果赋值给DS的第三列。


18.确定保留主成分的数量：
! t4 o! k/ _* o% T5 S7 z$ p2 {- N
8 C+ r8 }0 h1 W9 M5 z
: T0 f. f8 O6 A19.找到累计贡献率大于等于设定的保留率T的索引位置。
20.提取第一个满足条件的索引（最小的保留主成分数量）并赋值给变量Com_num。
, G" F3 Z0 n" f. W
7 v  R( p% O) j3 Q1 ^4 ~0 P
9 u' a% V  u9 B0 a3 V1 S* v21.提取主成分对应的特征向量：
6 B) V3 Q" w& P4 |4 U7 Y* {

22.将特征向量矩阵V的最后Com_num列反转（从最后一列开始取），得到主成分对应的特征向量矩阵PV。


+ }: L) e( P; [23.计算在主成分上的数据得分：


24.将归一化后的数据矩阵SA与主成分特征向量矩阵PV相乘，得到在主成分上的数据得分矩阵data。

该函数的作用是对原始数据进行主成分分析，并返回在主成分上的数据得分矩阵。主成分分析用于降维和数据探索，它将原始数据转换为一组新的线性维度，其中每个维度都是原始数据维度的线性组合。这些新的维度（主成分）根据特征值的贡献率进行排序，保留贡献率较高的主成分。


# g/ j' N6 T3 m+ c- }0 q

4 }$ H2 k' T, {7 L7 S( y; _
" }' H+ I3 n5 m; y' _  }# d