分析思路：

先導(dǎo)入pandas、numpy包；

定義一個(gè)myPCA，傳入data及n_components參數(shù)，并設(shè)置components為1000000維；

①先求每個(gè)屬性的平均值，即按列求平均值，并將結(jié)果賦予mean_vals；

②將每列數(shù)據(jù)減去該列平均數(shù)，得到新的data，并賦予mid；

③求mid的協(xié)方差矩陣，將結(jié)果賦予cov_mat;

④引入scipy的linalg包；

⑤通過linalg.eig求協(xié)方差矩陣cov_mat的特征值和特征向量，并將結(jié)果賦予eig_vals,eig_vects;

⑥求最大特征值。先將特征值通過np.argsort進(jìn)行排序，然后取最大特征值，并將結(jié)果賦予eig_val_index；

⑦求最大特征值特征向量，將結(jié)果賦給eig_vects；

⑧用mid乘以特征向量eig_vects，得到轉(zhuǎn)換后的矩陣low_dim_mat；

⑨返回降維后的矩陣和特征值。

代碼實(shí)現(xiàn)如下：

返回結(jié)果為：

(array([[-0.82797019],

???????[ 1.77758033],

???????[-0.99219749],

???????[-0.27421042],

???????[-1.67580142],

???????[-0.9129491 ],

???????[ 0.09910944],

???????[ 1.14457216],

???????[ 0.43804614],

???????[ 1.22382056]]), array([0.0490834 +0.j, 1.28402771+0.j]))