用plt.scatter()函数进行散点图绘制以及PCA进行二维到一维的降维

散点图的绘制

通过plt.scatter()函数绘制散点图：

import numpy as np
import matplotlib.pyplot as plt

#np.empty()返回一个随机元素的矩阵;
# 所以使用的时候需要手工把每一个值重新定义，否则该值是接近零的随机数。
X = np.empty((100, 2))
X[:, 0] = np.random.uniform(0., 100., size=100)
X[:, 1] = 0.75 * X[:, 0] + np.random.normal(0., 10., size=100)
plt.scatter(X[:, 0], X[:, 1])
plt.show()

绘制结果显示：

用PCA进行二维到一维的降维

通过上图可以看出各个点在图中的分布是整体呈现上升状态，在关于函数y=x呈现不均匀分，整体是一个二维的图像。

如何将上面的二维散点图降维成一维散点图？现在用PCA进行降维
代码显示如下：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

#np.empty()返回一个随机元素的矩阵;
# 所以使用的时候需要手工把每一个值重新定义，否则该值是接近零的随机数。
X = np.empty((100, 2))
X[:, 0] = np.random.uniform(0., 100., size=100)
X[:, 1] = 0.75 * X[:, 0] + 3. + np.random.normal(0., 10., size=100)
plt.subplot(211)
plt.scatter(X[:, 0], X[:, 1])

pca = PCA(n_components=1)
pca.fit(X)
X_reduction = pca.transform(X)
X_restore = pca.inverse_transform(X_reduction)
plt.subplot(212)
plt.scatter(X_restore[:, 0], X_restore[:, 1])

plt.show()

最后的结果显示如下：

参考

https://www.cnblogs.com/jokingremarks/p/14302649.html