如何用Python筛选特征实现已知样本与其余样本的无重叠可视化

问题背景 #

现有数据集synthetic_feature_file包含50000+特征与43个样本，需将指定索引（1、6、7、11、14、15、27）的样本与其余样本用不同颜色区分，且两类数据无重叠。原代码采用随机选择特征的方式，无法保证分组区分度，现改用PCA降维方法实现清晰可视化。

改进思路 #

针对高维小样本数据，用PCA（主成分分析）将50000+特征降维至2维，保留数据的最大方差信息，确保两组样本在二维空间中尽可能分离，满足可视化需求。

完整代码 #

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

# 读取数据集
syn_data = pd.read_csv("synthetic_feature_file")
# 标记目标样本索引
sample_indices = syn_data.index.isin([1, 6, 7, 11, 14, 15, 27])

# 数据标准化（PCA前置必要步骤）
scaler = StandardScaler()
scaled_features = scaler.fit_transform(syn_data)

# PCA降维到2维
pca = PCA(n_components=2)
pca_transformed = pca.fit_transform(scaled_features)
pca_df = pd.DataFrame(pca_transformed, columns=["主成分1", "主成分2"])

# 绘制可视化图
plt.figure(figsize=(8, 6))
# 绘制其余样本
plt.scatter(
    pca_df[~sample_indices]["主成分1"],
    pca_df[~sample_indices]["主成分2"],
    color="#1f77b4",
    label="其余样本",
    alpha=0.7
)
# 绘制目标样本（加大尺寸+边框强化区分）
plt.scatter(
    pca_df[sample_indices]["主成分1"],
    pca_df[sample_indices]["主成分2"],
    color="#ff4b5c",
    label="指定样本",
    s=80,
    edgecolor="black"
)

plt.xlabel(f"主成分1（方差占比：{pca.explained_variance_ratio_[0]:.2%}）")
plt.ylabel(f"主成分2（方差占比：{pca.explained_variance_ratio_[1]:.2%}）")
plt.title("高维样本PCA降维分组可视化")
plt.legend()
plt.grid(alpha=0.3)
plt.show()

代码说明 #

• 数据标准化：PCA对数据尺度敏感，标准化后每个特征均值为0、方差为1，避免方差大的特征主导降维结果
• PCA降维：将高维特征压缩到2维，通过explained_variance_ratio_可查看每个主成分的方差解释占比，直观了解降维保留的信息
• 可视化优化：给目标样本设置更大尺寸和黑色边框，进一步强化两组区分度；添加网格提升图表可读性

内容的提问来源于stack exchange，提问作者董珈妤