数据预处理

继续提取代码片段：

12. **导入iris数据集并查看前5行数据**：

    ```python
    from sklearn.datasets import load_iris
    iris = load_iris()
    X = iris.data
    print('iris数据集的维度为:', X.shape)
    print('iris数据集的前5行数据为:\n', X[:5])
    ```

13. **指定特征数的PCA降维并查看降维结果**：

    ```python
    from sklearn.decomposition import PCA
    pca_num = PCA(n_components=3)
    pca_num.fit(X)
    X_pcal = pca_num.transform(X)
    print('对iris数据集进行指定特征数的降维后的维度为:', X_pcal.shape)

    ```

14. **查看降维后的数据**：

    ```python
    print('进行指定特征数降维后, iris数据集的前5行数据为:\n', X_pcal[:5])

    ```

15. **查看原始特征与PCA主成分之间的关系**：

    ```python
    import numpy as np
    print('进行指定特征数的降维后的最大方差的成分:')
    for i in range(pca_num.components_.shape[0]):
        arr = np.around(pca_num.components_[i], 2)
        print('component({}): {}'.format(i+1, arr))
    ```

16. **查看降维后的各主成分的方差和方差百分比**：

    ```python
    var = np.around(pca_num.explained_variance_, 2)
    print('进行指定特征数的降维后的各主成分的方差为:', [x for x in var])
    var_ratio = np.round(pca_num.explained_variance_ratio_, 2)
    print('进行指定特征数的降维后的各主成分的方差百分比为:', [x for x in var_ratio])
    ```

17. **指定方差百分比的PCA降维**：

    ```python
    pca_per = PCA(n_components=0.95)
    pca_per.fit(X)
    X_pca2 = pca_per.transform(X)
    print('对iris数据集进行指定方差百分比的降维后的维度为:', X_pca2.shape)

    ```

18. **指定方差百分比降维后查看数据**：

    ```python
    print('进行指定方差百分比的降维后 iris数据集的前5行数据为:\n', X_pca2[:5])
    ```

19. **指定方差百分比降维后查看原始特征与PCA主成分之间的关系**：

    ```python
    print('进行指定方差百分比降维后的最大方差的成分:')
    for i in range(pca_per.components_.shape[0]):
        arr = np.around(pca_per.components_[i], 2)
        print('component({}): {}'.format(i+1, arr))
    ```

20. **指定方差百分比降维后查看各主成分的方差值和方差百分比**：

    ```python
    var = np.round(pca_per.explained_variance_, 2)
    print('进行指定方差百分比的降维后的各主成分的方差为:', [x for x in var])
    var_ratio = np.round(pca_per.explained_variance_ratio_, 2)
    print('进行指定方差百分比的降维后的各主成分的方差百分比为:', [x for x in var_ratio])
    ```

这些代码片段展示了如何使用Python进行数据预处理和降维处理，包括导入iris数据集、指定特征数的PCA降维、查看降维结果、分析原始特征与PCA主成分之间的关系，以及查看降维后的各主成分的方差和方差百分比。