Rの `autoplot` w /` matplotlib`と `sklearn`のようにPCAの` loadingings`と `loading.label`をプロットする方法はありますか？

Question

R w/autoplotでこのチュートリアルを見ました。彼らは、負荷と負荷のラベルをプロット：

autoplot(prcomp(df), data = iris, colour = 'Species', 
     loadings = TRUE, loadings.colour = 'blue', 
     loadings.label = TRUE, loadings.label.size = 3) 

https://cran.r-project.org/web/packages/ggfortify/vignettes/plot_pca.html

私は私のデータ解析にPython 3matplotlib, scikit-learn, and pandas/wのを好みます。しかし、私はこれらを追加する方法を知らない？

どのようにこれらのベクトルをプロットできますか？matplotlib？

私はRecovering features names of explained_variance_ratio_ in PCA with sklearnを読んできたが、まだここで

それを考え出したていない私は私が@teddyrolandによってここに答えを見つけPython

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
from sklearn.datasets import load_iris 
from sklearn.preprocessing import StandardScaler 
from sklearn import decomposition 
import seaborn as sns; sns.set_style("whitegrid", {'axes.grid' : False}) 

%matplotlib inline 
np.random.seed(0) 

# Iris dataset 
DF_data = pd.DataFrame(load_iris().data, 
         index = ["iris_%d" % i for i in range(load_iris().data.shape[0])], 
         columns = load_iris().feature_names) 

Se_targets = pd.Series(load_iris().target, 
         index = ["iris_%d" % i for i in range(load_iris().data.shape[0])], 
         name = "Species") 

# Scaling mean = 0, var = 1 
DF_standard = pd.DataFrame(StandardScaler().fit_transform(DF_data), 
          index = DF_data.index, 
          columns = DF_data.columns) 

# Sklearn for Principal Componenet Analysis 
# Dims 
m = DF_standard.shape[1] 
K = 2 

# PCA (How I tend to set it up) 
Mod_PCA = decomposition.PCA(n_components=m) 
DF_PCA = pd.DataFrame(Mod_PCA.fit_transform(DF_standard), 
         columns=["PC%d" % k for k in range(1,m + 1)]).iloc[:,:K] 
# Color classes 
color_list = [{0:"r",1:"g",2:"b"}[x] for x in Se_targets] 

fig, ax = plt.subplots() 
ax.scatter(x=DF_PCA["PC1"], y=DF_PCA["PC2"], color=color_list) 

Answer 1

次のようなことができます。バイプロット関数を作成します。この例では、私は、虹彩データを使用しています：

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn import datasets 
from sklearn.decomposition import PCA 
import pandas as pd 
from sklearn.preprocessing import StandardScaler 

iris = datasets.load_iris() 
X = iris.data 
y = iris.target 
#In general a good idea is to scale the data 
scaler = StandardScaler() 
scaler.fit(X) 
X=scaler.transform(X)  

pca = PCA() 
x_new = pca.fit_transform(X) 


def myplot(score,coeff,labels=None): 
    xs = score[:,0] 
    ys = score[:,1] 
    n = coeff.shape[0] 
    scalex = 1.0/(xs.max() - xs.min()) 
    scaley = 1.0/(ys.max() - ys.min()) 
    plt.scatter(xs * scalex,ys * scaley, c = y) 
    for i in range(n): 
     plt.arrow(0, 0, coeff[i,0], coeff[i,1],color = 'r',alpha = 0.5) 
     if labels is None: 
      plt.text(coeff[i,0]* 1.15, coeff[i,1] * 1.15, "Var"+str(i+1), color = 'g', ha = 'center', va = 'center') 
     else: 
      plt.text(coeff[i,0]* 1.15, coeff[i,1] * 1.15, labels[i], color = 'g', ha = 'center', va = 'center') 
plt.xlim(-1,1) 
plt.ylim(-1,1) 
plt.xlabel("PC{}".format(1)) 
plt.ylabel("PC{}".format(2)) 
plt.grid() 

#Call the function. Use only the 2 PCs. 
myplot(x_new[:,0:2],np.transpose(pca.components_[0:2, :])) 
plt.show() 

RESULT

Answer 2

でそれをプロットする方法です：https://github.com/teddyroland/python-biplot/blob/master/biplot.py