Python二維矩陣數據畫圖

A. PCA(主成分分析)python實現

回顧了下PCA的步驟，並用python實現。深刻的發現當年學的特徵值、特徵向量好強大。

PCA是一種無監督的學習方式，是一種很常用的降維方法。在數據信息損失最小的情況下，將數據的特徵數量由n，通過映射到另一個空間的方式，變為k(k<n)。

這里用一個2維的數據來說明PCA，選擇2維的數據是因為2維的比較容易畫圖。
這是數據：

畫個圖看看分布情況：

協方差的定義為：

假設n為數據的特徵數，那麼協方差矩陣M, 為一個n n的矩陣，其中Mij為第i和第j個特徵的協方差，對角線是各個特徵的方差。
在我們的數據中，n=2，所以協方差矩陣是2 2的，
通過numpy我們可以很方便的得到：

得到cov的結果為：
array([[ 0.61655556, 0.61544444],
[ 0.61544444, 0.71655556]])

由於我們之前已經做過normalization，因此對於我們來說，
這個矩陣就是 data*data的轉置矩陣。

得到結果：
matrix([[ 5.549, 5.539],
[ 5.539, 6.449]])

我們發現，其實協方差矩陣和散度矩陣關系密切，散度矩陣 就是協方差矩陣乘以（總數據量-1）。因此他們的 特徵根 和 特徵向量 是一樣的。這里值得注意的一點就是，散度矩陣是 SVD奇異值分解 的一步，因此PCA和SVD是有很大聯系的，他們的關系這里就不詳細談了，以後有機會再寫下。

用numpy計算特徵根和特徵向量很簡單，

但是他們代表的意義非常有意思，讓我們將特徵向量加到我們原來的圖里：

其中紅線就是特徵向量。有幾點值得注意：

藍色的三角形就是經過坐標變換後得到的新點，其實他就是紅色原點投影到紅線、藍線形成的。

得到特徵值和特徵向量之後，我們可以根據 特徵值 的大小，從大到小的選擇K個特徵值對應的特徵向量。
這個用python的實現也很簡單：

從eig_pairs選取前k個特徵向量就行。這里，我們只有兩個特徵向量，選一個最大的。

主要將原來的數據乘以經過篩選的特徵向量組成的特徵矩陣之後，就可以得到新的數據了。

output：

數據果然變成了一維的數據。
最後我們通過畫圖來理解下數據經過PCA到底發生了什麼。

綠色的五角星是PCA處理過後得到的一維數據，為了能跟以前的圖對比，將他們的高度定位1.2，其實就是紅色圓點投影到藍色線之後形成的點。這就是PCA,通過選擇特徵根向量，形成新的坐標系，然後數據投影到這個新的坐標系，在盡可能少的丟失信息的基礎上實現降維。

通過上述幾步的處理，我們簡單的實現了PCA第一個2維數據的處理，但是原理就是這樣，我們可以很輕易的就依此實現多維的。

用sklearn的PCA與我們的pca做個比較：

得到結果：

用我們的pca試試

得到結果：

完全一致，完美~
值得一提的是，sklearn中PCA的實現，用了部分SVD的結果，果然他們因緣匪淺。

B. Python 編程，繪圖與矩陣，詳細在圖里，求代碼，急用

import numpy as np

a=np.mat('-1,4,0;3,4,-4;-10,-12,5')

b=np.mat('-72;-4;-50')

c=np.linalg.solve(a,b)

print(c)

C. python熱力圖colorbar怎麼畫

本文將講解如何在Python中繪制熱力圖並添加colorbar。熱力圖是一種可視化矩陣數據的圖形，通過顏色深淺表示數據的大小。

在Python中，我們可以使用matplotlib庫中的imshow函數來創建普通熱圖，但seaborn庫則提供了更簡潔的方法。seaborn的heatmap函數可以直觀地生成熱力圖。

要繪制一個熱力圖，您首先需要准備一個二維數組，它將作為熱力圖的數據源。然後，調用seaborn的heatmap函數，傳入數據源和相關參數，例如顏色映射（colormap）和colorbar位置。

顏色映射用於將數據值映射到顏色上，通常選擇如'coolwarm'、'viridis'或'plasma'等預定義的顏色映射，以直觀地表示數據的分布。colorbar是熱力圖中用來指示顏色映射與數據值對應關系的輔助工具，它通常位於熱力圖的底部或右側。

繪制熱力圖並添加colorbar的過程非常直觀，且能夠為數據分析提供強大的支持。通過合理選擇顏色映射和調整colorbar的位置，您可以使熱力圖更加美觀和易於解讀。

在繪制熱力圖時，我們還可以進一步自定義顏色映射的范圍、透明度、標簽等，以滿足具體分析需求。總之，seaborn庫為繪制熱力圖提供了一個簡潔、靈活的解決方案，能夠幫助我們更有效地探索和呈現數據間的關聯。