原创 Python数据可视化操作原理

　　后端是处理数据提取用户想要的数据。简单常用的是Python，相对于java，c, c++，Python简直对初学者太友好，提供丰富多彩的API接口，比如常见的降维聚类算法：PCA, t-SNE, MDS, k-means等。如果用c实现过PCA算法有几百行代码，可在Python里只需要三行代码。那如何用Python实现对Iris数据集使用PCA算法以及展示效果？

　　建议新手使用Python练手操作门槛低，前期可以将更多的关注点集中在前端数据可视化上。到后期，有经验自由组合。前期使用的是Python，可到后期由于性能问题，Python已经很难解决我项目所遇到的数据和算法复杂度。于是将复杂度高的算法全部用C重写了一遍，并用Python调用这个模块。这样之前项目的项目代码框架不变，不需要代码全部重写重构，只需在相应的地方调用相应的C模块即可。

　　Python使用PCA算法实战

　　用户需要安装Python包，建议新手安装anaconda，anaconda集成了Python以及在开发过程中一大堆第三方包，比如下文用到的sklearn包。

　　引入第三方库的PCA算法，sklearn是Pythonz中常用的机器学习第三方模块，对常用的机器学习方法进行了封装，包括回归、降维、分类、聚类等方法。

　　from sklearn.decomposition import PCA

　　加载Python中自带的Iris数据集，做机器学习的应该比较熟悉这个数据集。主要包含4个维度，三个类。

　　from sklearn.datasets import load_iris

　　irisData = load_iris()

　　对数据集使用PCA算法，将数据降到2维。

　　pca = PCA(n_components=2)

　　reducedData = pca.fit(irisData)

　　将结果在散点图中画出来，Python功能强大提供可视化图表的能力。但更多是以处理数据为目的，将数据传给前端让前端绘制。