Python 主成分分析计算指标权重

首先，我们需要导入必要的库和模块，包括 numpy、pandas 和 sklearn.decomposition。

import numpy as np
import pandas as pd
from sklearn.decomposition import PCA

接下来，我们创建一个 PCA 对象，并指定要保留的主成分数量。在本例中，我们将保留两个主成分。

pca = PCA(n_components=2)

然后，我们将数据加载到 pandas DataFrame 中，以便进行主成分分析。这里假设我们有一个名为 ‘data.csv’ 的数据文件，其中包含我们要分析的指标。

data = pd.read_csv('data.csv')

接下来，我们将数据转换为 numpy 数组，并使用 PCA 对象拟合数据。

data_array = data.values
pca.fit(data_array)

现在，我们可以使用 PCA 对象的 components_ 属性来获取主成分权重。这将返回一个形状为 (n_components, n_features) 的 numpy 数组，其中 n_components 是主成分数量，n_features 是特征数量。

weights = pca.components_

我们可以通过将权重数组的每一列标准化（即除以该列的 L2 范数），来获得每个特征在每个主成分中的贡献度。这将返回一个形状为 (n_components, n_features) 的 numpy 数组，其中每个元素表示相应特征在对应主成分中的贡献度。

weights_normalized = weights / np.sqrt(np.sum(weights ** 2, axis=1))[:, None]

最后，我们可以将标准化后的权重数组转换回 pandas DataFrame，以便于查看和解释结果。

weights_df = pd.DataFrame(weights_normalized, columns=data.columns)