标签:EOF Python 30 PC np PCA data dot
前言
EOF 经验正交函数 分解原理及用法:
https://wenku.baidu.com/view/93bc8a9b680203d8ce2f2468.html
方法实现过程
EOF
PCA
Python实现
import numpy as np
from scipy import linalg
# 生成数据并打乱
np.random.seed(9)
data = np.random.randint(low=1, high=50, size=600).reshape(20, 30) * 10
# 时间距平
mean = np.repeat(data.mean(axis=1), 30).reshape(20, 30)
data = data - mean
# 交叉积
C = np.dot(data, data.T) / 30
print(C)
# 求特征值和特征向量 (空间模态) eigh求实对称矩阵的特征值 向量
la, v = linalg.eigh(C) # 空间模态矩阵 行代表着某个站点, 列代表第几空间模态
# 根据特征值对特征向量升序排序
index = np.argsort(la)[::-1]
v = v[:, index]
# 计算时间系数矩阵 第i行代表i-th时间模态 第k列代表k时刻时间系数
# 理论上这里就是pca, np.dot(v.T[0:2, :], data) 取前三个主成分
# 如果用sklearn 的PCA API 要先将 data 转成特征成列分布的,而不是成行分布,结果差不多,
# 可能符号有区别 此外,sklearn的PCA考虑了计算成本是使用SVD分解实现的
# from sklearn.decomposition import PCA
# pca_sk = PCA(n_components=2).fit_transform(data.T)
PC = np.dot(v.T, data)
# 证明PC具有正交性
pcpcpc = np.around(np.dot(PC, PC.T) / 30, 5)
vvv = np.around(np.dot(v, v.T), 5)
vvv_ = np.around(np.dot(v.T, v), 5)
# 还原数据
data_reverse = np.dot(v, PC)
标签:EOF,Python,30,PC,np,PCA,data,dot 来源: https://blog.csdn.net/tk20190411/article/details/120524784
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。