2.1模块引用

该包包含python模块的引用列表。

图书馆(BiocSklearn)

2．2Python文档

我们可以通过reticulate 's获取包含模块的python文档py_help:以下结果可能会变得陈旧:

skd = reticulate::import("sklearn")$decomposition py_help(skd) Help on package sklearn.decomposition in sklearn: NAME sklearn.decomposition FILE /Users/stvjc/anaconda2/lib/python2.7/site-packages/sklearn/decomposition/__init__.py DESCRIPTION:mod: ' sklearn.decomposition '模块包含矩阵分解算法，包括PCA、NMF或ICA等。本模块的大部分算法都可以看作是降维技术。包目录_online_lda base cdnmf_fast dict_learning factor_analysis fastica_ incremental_pca…

2．3导入数据以便由python函数直接处理

网状包的设计目的是限制将数据从R转换为python所需的工作量，以便在每种语言中自然使用。

np =网状：：进口（“numpy”，转换=假，delay_load =真正的）irloc =执行（“csv / iris.csv”，包=“BiocSklearn”）irismat =np＄genfromtxt(irloc分隔符='，'）

为了检查子矩阵，我们使用numpy中的take方法。下面所示的括号格式通知我们，我们所查看的不是R原生数据。

np＄取(irismat0：2， 0l)

##数组([5.1,3.5,1.4,0.2]，## [4.9,3.]， 1.4, 0.2]， ## [4.7, 3.2, 1.3, 0.2]])

3．1主成分分析

我们有一个python的虹膜数据表示。我们计算PCA如下:

车牌提取=skPCA（data.matrix(虹膜,1：4)))

## + '/home/biocbuild/.cache/R/basilisk/1.8.0/0/bin/conda' 'create' '——yes' '——prefix' ' '/home/biocbuild/.cache/R/basilisk/1.8.0/BiocSklearn/1.18.2/bsklenv' 'python=3.7.7' '——quiet' -c' 'conda-forge' '

## + '/home/biocbuild/.cache/R/basilisk/1.8.0/0/bin/conda' 'install' '——yes' '——prefix' '/home/biocbuild/.cache/R/basilisk/1.8.0/BiocSklearn/1.18.2/bsklenv' 'python=3.7.7'

## + '/home/biocbuild/.cache/R/basilisk/1.8.0/0/bin/conda' 'install' '——yes' '——prefix' ' '/home/biocbuild/.cache/R/basilisk/1.8.0/BiocSklearn/1.18.2/bsklenv' '-c' 'conda-forge' 'python=3.7.7' 'scikit-learn=1.0.2' 'h5py=3.6.0' 'pandas=1.2.4'

车牌提取

SkDecomp实例，方法:PCA ##使用getTransformed()获取投影输入。

这将返回一个可以通过python方法重用的对象。数值变换通过getTransformed．

tx =getTransformed(车牌提取)昏暗的(tx)

## [1] 150

头(tx)

## [，1] [，2] [，3] [，4] ## [1，] -2.684126 0.3193972 -0.02791483 -0.002262437 ## [2，] -2.714142 -0.1770012 -0.21046427 -0.099026550 ## [3，] -2.888991 -0.1449494 0.01790026 -0.019968390 ## [4，] -2.745343 -0.3182990 0.03155937 0.075575817 ## [5，] -2.728717 0.3267545 0.09007924 0.061258593 ## [6，] -2.280860 0.7413304 0.16867766 0.024200858

与R计算的一致性可以检查:

轮（天哪(tx fullpc),3.）

## pc1 pc2 pc3 pc4 ## [1，] 1 0 0 0 ## [2，] 0 -1 0 0 ## [3，] 0 0 -1 0 ## [4，] 0 0 0 0 0 -1

3.2增量的主成分分析

一个计算支持先天的内存消耗边界可用。在此过程中，还可以选择要计算的主成分的数量。

ippca =skIncrPCA(虹膜,1：4])#垫)#ippcab =skIncrPCA(虹膜,1：4),batch_size =25 l)轮（天哪（getTransformed(ippcab) fullpc),3.）

## pc1 pc2 pc3 pc4 ## [1，] 1.000 0 0.00 0.000 ## [2，] -0.001 -1 -0.01 -0.001

3．3带有显式分块的手动增量PCA

当数据以块的形式提供(可能来自流)时，可以使用此过程。我们迭代更新对象，它目前没有容器。同样，可以指定计算的组件数量。

ta =np＄取#提供切片器实用程序ipc =skPartialPCA_step（助教(irismat0：49, 0 l))ipc =skPartialPCA_step（助教(irismat50：99, 0 l),obj =ipc)ipc =skPartialPCA_step（助教(irismatOne hundred.：149, 0 l),obj =ipc)ipc＄变换（助教(irismat0：5, 0 l))

## [，1] [，2] [，3] [，4] ## [1，] -2.684126 0.3193972 -0.02791483 0.002262437 ## [2，] -2.714142 -0.1770012 -0.21046427 0.099026550 ## [3，] -2.888991 -0.1449494 0.01790026 0.019968390 ## [4，] -2.745343 -0.3182990 0.03155937 -0.075575817 ## [5，] -2.728717 0.3267545 0.09007924 -0.061258593 ## [6，] -2.280860 0.7413304 0.16867766 -0.024200858

fullpc [1：5,)

## pc1 pc2 pc3 pc4 ## [1，] -2.684126 -0.3193972 0.02791483 0.002262437 ## [2，] -2.714142 0.1770012 0.21046427 0.099026550 ## [3，] -2.888991 0.1449494 -0.01790026 0.019968390 ## [4，] -2.745343 0.3182990 -0.03155937 -0.075575817 ## [5，] -2.728717 -0.3267545 -0.09007924 -0.061258593