在Google Colab中调用vpython.pca_results触发AttributeError问题求助

错误核心 #

你当前导入的vs被解析为vpython模块，但该模块不存在pca_results方法，因此抛出AttributeError。问题根源是模块导入混淆——你需要的pca_results是数据分析相关的自定义工具函数或第三方工具方法，而非3D可视化库vpython的功能。

解决步骤 #

• 修正导入语句：
  你大概率误写了import vpython as vs这类代码。如果pca_results是你自己编写的函数，确保导入对应自定义脚本：比如你有一个visual_utils.py文件，应写：

  import visual_utils as vs
  

  在Colab环境中，需先将包含该函数的.py文件上传到左侧文件面板（点击「文件」→「上传到会话存储」）。

• 补全函数来源：
  如果这个函数来自教程、课程资料，直接将对应函数的定义复制到Colab代码单元格中运行，再调用即可。典型的pca_results函数骨架示例：

  import pandas as pd
  import matplotlib.pyplot as plt
  
  def pca_results(data, pca):
      explained_variance = pca.explained_variance_ratio_
      results = pd.DataFrame({
          'PC': [f'PC{i+1}' for i in range(len(explained_variance))],
          'Explained Variance': explained_variance
      })
      plt.bar(results['PC'], results['Explained Variance'])
      plt.title('PCA Explained Variance')
      plt.show()
      return results
  

• 替代实现方案：
  若找不到原函数，可直接用sklearn和matplotlib实现PCA结果可视化：

  import matplotlib.pyplot as plt
  import numpy as np
  import pandas as pd
  
  # 绘制累计解释方差折线图
  plt.plot(np.cumsum(pca.explained_variance_ratio_))
  plt.xlabel('Number of Principal Components')
  plt.ylabel('Cumulative Explained Variance')
  plt.show()
  
  # 生成载荷矩阵查看变量权重
  loadings = pd.DataFrame(
      pca.components_.T,
      columns=[f'PC{i+1}' for i in range(pca.n_components_)],
      index=data.columns
  )
  print(loadings)
  

内容的提问来源于stack exchange，提问作者Natthakorn Ruengdit