用PCA或t-SNE和Matplotlib测量数据图的方法

下面是使用PCA和t-SNE以及Matplotlib绘制数据图的示例代码：

使用PCA绘制数据图：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# 创建示例数据
np.random.seed(0)
n_samples = 1000
n_features = 10
X = np.random.randn(n_samples, n_features)

# 使用PCA进行降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 绘制数据图
plt.scatter(X_pca[:, 0], X_pca[:, 1])
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.title('PCA')
plt.show()

使用t-SNE绘制数据图：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE

# 创建示例数据
np.random.seed(0)
n_samples = 1000
n_features = 10
X = np.random.randn(n_samples, n_features)

# 使用t-SNE进行降维
tsne = TSNE(n_components=2)
X_tsne = tsne.fit_transform(X)

# 绘制数据图
plt.scatter(X_tsne[:, 0], X_tsne[:, 1])
plt.xlabel('Dimension 1')
plt.ylabel('Dimension 2')
plt.title('t-SNE')
plt.show()

在这两个示例中，我们首先生成了一个随机数据矩阵X。然后，使用PCA或t-SNE对数据进行降维，将其转换为2维。最后，使用Matplotlib绘制散点图，展示降维后的数据在二维空间中的分布。