71 lines
2.2 KiB
Python
71 lines
2.2 KiB
Python
from io import BytesIO
|
||
|
||
import pandas as pd
|
||
from matplotlib import rcParams
|
||
from sklearn.decomposition import PCA
|
||
import matplotlib.pyplot as plt
|
||
|
||
# 设置中文字体
|
||
rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体为宋体
|
||
rcParams['axes.unicode_minus'] = False # 用来正常显示负号
|
||
|
||
|
||
# PCA函数并绘制前两个主成分的散点图，带标签
|
||
def plot_pca_scatter(df, labels=None):
|
||
# 如果 labels 为 None，则默认使用 DataFrame 的行名
|
||
if labels is None:
|
||
labels = df.index
|
||
|
||
# 判断输入的数据行数是否只有一行
|
||
if df.shape[0] == 1:
|
||
plt.figure(figsize=(8, 6))
|
||
plt.text(0.5, 0.5, '无法对单个样本进行主成分分析。', fontsize=16, ha='center', va='center')
|
||
plt.title("主成分分析 结果", fontsize=16)
|
||
plt.xlabel('')
|
||
plt.ylabel('')
|
||
# 将图像保存到字节流中
|
||
img_bytes = BytesIO()
|
||
plt.savefig(img_bytes, format='png')
|
||
# 设置字节流的位置到开始
|
||
img_bytes.seek(0)
|
||
# 输出图像
|
||
plt.close()
|
||
return img_bytes
|
||
|
||
# 进行PCA
|
||
pca = PCA(n_components=2)
|
||
pca_result = pca.fit_transform(df)
|
||
|
||
# 将PCA结果转换为DataFrame
|
||
pca_df = pd.DataFrame(pca_result, columns=['主成分 1', '主成分 2'])
|
||
|
||
# 绘制前两个主成分的散点图
|
||
plt.figure(figsize=(8, 6))
|
||
plt.scatter(pca_df['主成分 1'], pca_df['主成分 2'], color='b', label='样本点')
|
||
plt.title("主成分分析 前两主成分散点图", fontsize=16)
|
||
plt.xlabel('主成分 1', fontsize=12)
|
||
plt.ylabel('主成分 2', fontsize=12)
|
||
plt.grid(True)
|
||
|
||
# 在点旁边添加标签
|
||
for i, label in enumerate(labels):
|
||
plt.text(pca_df['主成分 1'][i] + 0.02, pca_df['主成分 2'][i] + 0.02, label, fontsize=9)
|
||
|
||
# 将图像保存到字节流中
|
||
img_bytes = BytesIO()
|
||
plt.savefig(img_bytes, format='png')
|
||
# 设置字节流的位置到开始
|
||
img_bytes.seek(0)
|
||
# 输出图像
|
||
plt.close()
|
||
return img_bytes
|
||
|
||
|
||
# 示例用法
|
||
if __name__ == '__main__':
|
||
# 一个行名为样本名，列名为指标名的pd.dataframe
|
||
data = pd.read_csv('./radartest.csv', index_col=0)
|
||
|
||
# 生成散点图，带上标签
|
||
plot_pca_scatter(data, labels=data.index)
|