目 录
二、实验环境... 1
三、实验内容... 1
3.1 导入数据... 2
3.2 求相关系数矩阵.. 3
3.3 数据规范化处理.. 3
3.4 主成分分析... 4
四 实验心得... 5
一、实验目的
（1）理解主成分分析的思想；
（2）掌握主成分分析方法的步骤；
（3）能熟练地使用主成分分析方法分析相应的数据。
二、实验环境
（1）操作系统：windows11；
（2）python版本：3.10；
（3）Python开发环境：pycharm、jupyter notebook。
三、实验内容
某金融服务公司为了了解贷款客户的信用程度，评价客户的信用等级，采用信用评级常用的5C(能力，品格，担保，资本，环境)方法对15名客户进行打分，由此判断客户违约的可能性。
品格:指客户的名誉；
能力:指客户的偿还能力；
资本:指客户的财务实力和财务状况；
担保:指对申请贷款项担保的覆盖程度；
环境:指外部经济政策环境对客户的影响；
由于各项指标的难易程度不同，因此需要对5项指标进行赋权，以便能够更加合理的对15名客户进行评价。
3.1 导入数据
将上图的数据编辑在txt文本中，便于后续导入程序，如下图所示：
编写代码使用pandas中的read_csv方法导入文本数据，参数保证：第0行为标题行，单元之间以空格分隔，代码如下：
| import pandas as pd |
运行结果如下：
3.2 求相关系数矩阵
求解相关系数矩阵可以让我们进一步了解数据属性间的相关情况，便于后续数据处理。使用iloc方法获取数据的后5列，随后使用corr方法求出5个属性间的相关系数，代码如下：
x = data.iloc[:,1:]
#求相关系数矩阵
r = x.corr()
r |
运行结果如下：
3.3 数据规范化处理
标准化后的数据可以消除数据中量纲和量级的影响，提取出数据的主要特征。引入sklearn.preprocessing的StandardScaler方法对数据进行标准化，代码如下：
#数据规范化处理
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(x)
x = scaler.transform(x)
x |
运行结果如下，将每个属性都转化为均值为0，方程为1的正态分布形式，一共得到了15个5维向量，表示15个用户标准化后的信息：
3.4 主成分分析
使用sklearn.decomposition中的PCA方法进行主成分分析，PCA(n_components=0.95)将选择足够的主成分来解释至少95%的数据方差。然后，这些主成分将被用于转换数据集X，生成新的低维表示Y。代码如下：
#主成分分析
from sklearn.decomposition import PCA
pca = PCA(n_components = 0.95)
pca.fit(x)
y = pca.transform(x)
tzxl = pca.components_
tz=pca.explained_variance_
gxl=pca.explained_variance_ratio_
Y00=sum(x[0,:]*tzxl[0,:])
Y01=sum(x[1,:]*tzxl[0,:])
Y02=sum(x[2,:]*tzxl[0,:])
Y03=sum(x[3,:]*tzxl[0,:])
#综合排名
F=gxl[0]*y[:,0]+gxl[1]*y[:,1]+gxl[2]*y[:,2] #综合得分=各个主成分*贡献率之和
dq=list(data['客户编号'].values) #提取客户编号
Rs=pd.Series(F,index=dq) #以客户编号作为index，综合得分为值，构建序列
Rs=Rs.sort_values(ascending=False) #按综合得分降序进行排序
Rs |
运行结果如下，以降序展现用户得分情况，其中用户编号为10的用户得分最高，因为其5个属性的分数均为68左右，而编号为3的用户得分最低，因为其有三个属性未超过60分：
四 实验心得
（1）导入数据文件要设置sep和header参数，确保导入正确结构的数据。
