概述：PCA是基于方差降维的。
1.对数据进行基变换使其映射在新的基中，例如，原本数据是二维的，进行基变换获得一对新的基，选择一个特征值最大的基，因为特征值表示向量的重要程度。这样二维的数据就能映射到新的基上变成一维的数据。
2.如何选择这个基才能使得数据保留更多的原始信息呢，一种直观的看法是，希望投影后的值尽可能分散，也就是方差最大。
3.如果单纯的让方差最大，那么不同的基一定会相互接近，因为只有那一个方向上方差最大。
4. 可以用协方差确定其相关性，协方差等于0，表示两个字段完全不相关，是相互独立的，为了保证协方差等于0，选择第二个基是与第一个基相互垂直的。因此最终选择的两个方向一定是正交的。
5.基变换的意思是说，对于数据，与一个基做内积运算，结果作为第一个新的坐标分量，再与第二个基作内积预算，结果作为第二个新坐标的分量。
降维目标：
将一组N维向量降低为K维（K大于0，小于N），目标是选择K个单位正交基，使原始数据变换到这组基上后，各字段两两协方差等于0，字段的方差尽可能大。
PCA的步骤
当求出特征向量后，选择特征值大的特征向量单位化，然后降维。
#对鸢尾花数据集进行降维
from sklearn import datasets
iris=datasets.load_iris()
#导入鸢尾花数据集
iris_x=iris.data
#导入数据，数据是个矩阵
#knn算法中x是数据，是一个二维数组，横着的是数据个数，列表示数据的东西
y = iris.target
iris_x
from sklearn.decomposition import PCA
pca = PCA(n_components=2,whiten=True,random_state=42)
#降低的维度
#是否写入
x = pca.fit_transform(iris_x,y)
x