PCA-python实现综合评价

今天帮人做了一个综合评价得分，下面是实现代码，Mat使我们的数据矩阵，k，是我们选择主成分数量，之后返回的是，主成分和特征值，我们求解一下贡献率，比值，加权求解就可以得到特征值，数据集我已上传到，我的资源当中，想要运行此代码的可以直接下载，也可以联系我
下面的代码并不全，我后面打算写一个续文，可以得到pca主成分，并且输出我们计算的评价指标到一个文件
续文已出，有完整代码：
点击跳转续文

数据显示如下：

import numpy as np



def pca_tre(Mat, k):
      p,n = np.shape(Mat) # shape of Mat
      t = np.mean(Mat, 0) # mean of each column
  
      # substract the mean of each column
      for i in range(p):
        for j in range(n):
          Mat[i,j] = float(Mat[i,j]-t[j])
      
      # covariance Matrix
      cov_Mat = np.dot(Mat.T, Mat)/(p-1)
  
      # PCA by original algorithm
      # eigvalues and eigenvectors of covariance Matrix with eigvalues descending
      U,V = np.linalg.eigh(cov_Mat) #U 是特征值
      index = np.argsort(-U) 
      if k > n:
            print("k must lower than feature number")
            return
      else:
            selectVec = np.matrix(V.T[index[:k]]) 
            finalData = Mat * selectVec.T 
      return finalData,U#主成分

import pandas as pd
data=pd.read_excel(r"C:\Users\gaoxi\Desktop\data.xlsx")
#print(data.iloc[:, 1:].values)
data=data.iloc[:, 1:].values
finalData,u=pca_tre(data,2)
print(finalData,u)