PCA降维处理

将Excel表格按照需求合并，并进行PCA降维处理。数据下载地址PCA降维处理.zip-深度学习文档类资源-CSDN下载

import pandas as pd
from sklearn.decomposition import PCA

def PCA_demo():

   # 1.获取数据
   order_products = pd.read_csv('../data/order_products__prior.csv')
   products = pd.read_csv('../data/products.csv')
   orders = pd.read_csv('../data/orders.csv')
   aisles = pd.read_csv('../data/aisles.csv')
   #print(aisles) #测试

   # 2.合并表
   # 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

   # 合并aisles和products ----> aisle和product_id合并
   tab1  = pd.merge(aisles, products, on = ['aisle_id', 'aisle_id'])
   '''
   pd.set_option('display.max_columns', None)   #显示完整的列
   pd.set_option('display.max_rows', None)     #显示完整的行
   '''
   # print(tab1,tab1.keys()) #测试
   tab2 = pd.merge(tab1, order_products, on = ['product_id', 'product_id'])
   tab3 = pd.merge(tab2, orders, on = ['order_id', 'order_id'])

   # 3.找到user_id和aisle之间的联系
   table = pd.crosstab(tab3['user_id'], tab3['aisle'])
   print('table:\n',table.shape)
   data = table

   # 4.PCA降维
   transfer = PCA(n_components = 0.90) #降维保留90的信息
   data_new = transfer.fit_transform(data)
   print('data_new:\n',data_new,data_new.shape)

   return None

if __name__ == '__main__':
   PCA_demo()