PCA in Python

陆勤_数据人网

发布于 2019-12-31 14:59:52

1K0

发布于 2019-12-31 14:59:52

文章被收录于专栏：数据科学与人工智能

PCA in Python

本文介绍如下内容：

1 构建可以用PCA的数据集

2 利用scikit-learn库的PCA函数做PCA工作

3 计算每个主成分的方差

4 利用matplotlib库做PCA图

5 通过loading scores分析变量的影响度

构建数据集

导入Python库

代码

import random as rd
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

from sklearn.decomposition import PCA
from sklearn import preprocessing

import warnings
warnings.filterwarnings('ignore')

生成数据集

代码

genes = ['gene' + str(i) for i in range(1, 101)]
wt = ['wt' + str(i) for i in range(1, 6)]
ko = ['ko' + str(i) for i in range(1, 6)]

data = pd.DataFrame(columns=[*wt, *ko], index=genes)

for gene in data.index:
    data.loc[gene, 'wt1':'wt5'] = np.random.poisson(lam=rd.randrange(10, 1000), size=5)
    data.loc[gene, 'ko1':'ko5'] = np.random.poisson(lam=rd.randrange(10, 1000), size=5)

print(data.head())

结果

对数据集做PCA

利用sklearn库的PCA函数对数据集做PCA，进行PCA之前，对数据集做scale处理。

代码

scaled_data = preprocessing.scale(data.T)

pca = PCA()
pca.fit(scaled_data)
pca_data = pca.transform(scaled_data)

计算每个主成分的方差

计算每个主成分的方差和方差贡献度。

代码

# 计算每个主成分的方差
per_var = np.round(pca.explained_variance_, decimals=2)
print(per_var)
# 计算每个主成分方差的贡献度
per_var1 = np.round(pca.explained_variance_ratio_*100, decimals=1)
print(per_var1)

结果

PCA可视化

利用matplot库对PCA结果做可视化分析

代码

labels = ['PC' + str(x) for x in range(1, len(per_var) + 1)]
plt.bar(x=range(1, len(per_var1) + 1), height=per_var1, tick_label=labels)
plt.ylabel(u'方差贡献度', fontproperties='SimHei', fontsize=16)
plt.xlabel(u'主成分', fontproperties='SimHei', fontsize=16)
plt.title(u'Scree Plot', fontproperties='SimHei', fontsize=16)
plt.show()

结果

代码

pca_df = pd.DataFrame(pca_data, index=[*wt, *ko], columns=labels)

plt.scatter(pca_df.PC1, pca_df.PC2)
plt.title(u'PCA 图', fontproperties='SimHei', fontsize=16)
plt.xlabel(u'PC1 -{0}%'.format(per_var[0]))
plt.ylabel(u'PC2 -{0}%'.format(per_var[1]))

for sample in pca_df.index:
    plt.annotate(sample, (pca_df.PC1.loc[sample], pca_df.PC2.loc[sample]))
plt.show()

结果

通过loading score分析变量影响度

通过第一主成分的loading score分析变量的影响度，即那些基因对第一主成分有着显著影响。

代码

loading_scores = pd.Series(pca.components_[0], index=genes)
sorted_loading_scores = loading_scores.abs().sort_values(ascending=False)

top_10_genes = sorted_loading_scores[0:10].index.values
print(top_10_genes)
print(loading_scores[top_10_genes])

结果