查看文件：

导入文件：

只运行了选中的代码，还是不行

我看你的新代码是没有问题的，问题可能出在你代码执行过程中，通过你的结果输出窗口，也就是那个控制台IA窗口来看，你是执行的整个文件，这样执行完后，你不知道你的代码错误在哪，执行了哪些命名，所以在一个py文件彻底完成前，不能够执行这个文件。而是应该一部分一部分的执行，比如，你想执行如下红框里面的代码，你可以将代码选中，

然后点击圆蓝框里那个按钮，那个按钮的意思是运行选中的命令，而不是执行整个文件

结果：

scikit-learn0.20版本之前n_samples参数不支持list

不行 改了代码还是出不来

n_samples

n_samples

可能是版本问题，sklearn0.20版本之前n_simple参数不支持list

我这边的执行结果是对的，应该是你的代码有手误，你把广州.xlsx写成了广州\.xlsx

import pandas as pd

data1=pd.read_excel(r"D:\360安全浏览器下载\广州.xlsx",header=0)

你把代码重新删帖试一下

我把你的图片转化成了代码，照抄了一下。见下面，发现没有错误提示。

import numpy as np

import matplotlib.pyplot as plt

from sklearn import svm

from sklearn.datasets import make_blobs

class_1_=7

class_2_=4

centers=[[0.0,0.0],[1,1]]

cluster_std=[0.5,1]

X_,y_=make_blobs(n_samples=[class_1_,class_2_],centers=centers,cluster_std=clusters_std,random_state=0,shuffle=False)

plt.scatter(X_[:,0],X_[:,1],c=y_,cmap="rainbow",s=30)

很详细，很实用，很用心

很详细，很实用，很用心

#------------------------------------------------------------

# PCA讲解

#------------------------------------------------------------------

#1.导入可以进行PCA降维的库

from sklearn.decomposition import PCA

#2.先准备一下数据，这里我们用sklearn库自带的iris数据

from sklearn.datasets import load_iris

iris = load_iris()

iris.data #这是一个二维数组，里面只有具体数值,是一个4列的数据，每列是一个变量

iris.feature_names #4个变量的名字，是一个列表

#3.用PCA对我们的数据进行降维

#我们先实例化一个pca模型，对具体参数进行设定，比如n_compents,刚开始我们不知道提取几个主成分比较合适，我们不妨设为最大值4

PCA1=PCA(n_components=4)

#然后代入数据进行拟合

PCA1.fit(iris.data)

#如何查看各个主成分对原变量总体信息的解释比例呢？

PCA1.explained_variance_ #返回每个主成分对原信息解释的绝对值

PCA1.explained_variance_ratio_ #返回每个主成分对原信息的解释比例

#上面命令的结果为array([0.92461872, 0.05306648, 0.01710261, 0.00521218])

#可以看到第一个主成分的解释比例非常高，根据经验提取一个主成分就可以。如果你希望提取原数据更多信息，不妨提取两个主成分，

#具体提取几个只能自己根据经验和实际要求进行判断，比如我们最后决定提取两个

#就可以执行后面的命令

PCA2=PCA(n_components=2) #必须重新实例化这个模型，因为后面计算主成分的话可能会对矩阵进行旋转。

#然后传入数据进行模型拟合,这个fit_transform方法调用后会直接返回降维后的结果

#比如前面我们设定了n_components=2，也就是保留两个主成分，那么结果就会返回第一主成分和第二主成分的值

result1=PCA2.fit_transform(iris.data) #返回一个二维数组，两列数据。

#result1就是我们最终想要的降维后的主成分

#我们可以直接去拿这些主成分去建模，而不用使用原有的数据。