调用格式：
PCA(n_components=None, *, copy=True, whiten=False, svd_solver='auto', tol=0.0, iterated_power='auto', random_state=None)
说明：利用数据的奇异值分解将其投射到较低维空间的线性降维。在应用SVD之前，输入数据是中心化后的，但没有针对每个特征进行缩放。
参数含义
1、n_components，int, float, None or str
要保留的主成分。
1）if n_components is not set all components are kept：n_components == min(n_samples, n_features)
2）the None case results in：n_components == min(n_samples, n_features) - 1
2、copy，bool, 默认default=True
If False, 传递到fit的数据会被覆盖，运行fit(X).transform(X)将不会产生预期的结果，使用fit_transform(X)代替。
3、whiten，bool, optional (default False)
当为真(默认为假)时，components_向量乘以n_samples的平方根，然后除以奇异值，以确保输出与单位分量方差不相关。
所谓白化，就是对降维后的数据的每个特征进行标准化，让方差都为1。对于PCA降维本身来说，一般不需要白化。如果你PCA降维后有后续的数据处理动作，可以考虑白化。默认值是False，即不进行白化。
属性
1、components_：array, shape (n_components, n_features)
特征空间的主轴，表示数据中方差最大的方向。样本按explained_variance_排序。
2、explained_variance_：array, shape (n_components,)
所选择的每个分量所解释的方差量。等于X的协方差矩阵的n个最大特征值。
3、explained_variance_ratio_：array, shape (n_components,)
所选择的每个组成部分所解释的方差百分比。如果没有设置n_components，那么将存储所有主成分，并且比率的总和等于1.0。
4、n_features_：int，训练数据中的特征数。
5、n_samples_：int，训练数据中的样本数。
6、n_components_：int，估计的主成分数量。
方法
.fit()
fit(X, y=None)
用X拟合模型
返回值为实例本身：Returns the instance itself.
.fit_transform()
fit_transform(self, X, y=None)
用X拟合模型，对X进行降维。
.get_covariance()
get_covariance()
用生成模型计算数据协方差。
.get_param()
get_params(deep=True)
利用生成模型计算数据精度矩阵。等于协方差的逆，但为了效率，用矩阵逆引理计算。
.inverse_transform()
inverse_transform(X)
将数据转换回其原始空间。换句话说，返回一个转换为X的输入X_original。
.transform()
transform(X)
对X应用维数约简。X被投影到之前从训练集中提取的第一个主成分上。
示例代码
>>> import numpy as np>>> from sklearn.decomposition import PCA>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])>>> pca = PCA(n_components=2)>>> pca.fit(X)PCA(n_components=2)>>> print(pca.explained_variance_ratio_)[0.9924... 0.0075...]>>> print(pca.singular_values_)[6.30061... 0.54980...]
参考文献
sklearn.decomposition.PCA
