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

faces = fetch_lfw_people(min_faces_per_person=60) # 实例化
# min_faces_per_person:在数据集中每个人取出n张脸图

print(faces.DESCR) # 需要的话自己看吧

faces.data.shape
# 每一行是样本，即1348个样本
# 列式样本相关的所有特征，即2914个特征
# 因此，可视化这一部分没有意义
---
(1348, 2914)

faces.images.shape # 注意是三维的
# 严格来说，这个才是图像的特征矩阵
# 1348是矩阵中图像的个数
# 62是每个图像的特征矩阵的行，行上有62个像素
# 42是每个图像的特征矩阵的列，列上有47个像素
# 之前的2914=62*47，一张图就要有一行一列，可以看做一个表
# 因此我们可以对62*47这一部分进行可视化
---
(1348, 62, 47)

X = faces.data

# 之前的plt.figure是无法画多个图的
fig, axes = plt.subplots(4,5 # 子图4行5列。现在直接执行会给4*5=20个框，其他什么也没有
                         # 4,5表示要画20个图，在这里也就是20张脸，可以写其他数
                       ,figsize=(8,4) # 画布的尺寸和比例和大小，8代表行，4代表列
                         # figsize的对象是figure不是某一个subplot
                       ,subplot_kw={"xticks":[],"yticks":[]} # 不显示坐标轴
                        )

fig # 生成的一张纸

axes # 4行5列，matplotlib的对象
# axes中的一个对象对应fig中的一个空格
---
array([[<matplotlib.axes._subplots.AxesSubplot object at 0x0000011CA315B198>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000011CA52DF2B0>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x0000011CA530D828>,……
# 4*5的array，里面都是matplotlib对象

axes.shape
---
(4, 5)

axes[0,0] # 指定那个对象和一般的矩阵一样

axes[0,0].imshow(faces.images[0,:,:])
# 生成一个更新过的matplotlib对象
# 我们只是改变了axes对象，在这里执行完这个cell显示图像
# 只有再次看fig画布才看看到效果
# imshow要求的数据格式必须是一个(m,n)格式的矩阵，即每个数据都是一张单独的图，我们需要遍历的是faces.images，其结构是(1277, 62, 47)
fig

[*enumerate(axes.flat)]
---
[(0, <matplotlib.axes._subplots.AxesSubplot at 0x11ca315b198>),
 (1, <matplotlib.axes._subplots.AxesSubplot at 0x11ca52df2b0>),
 (2, <matplotlib.axes._subplots.AxesSubplot at 0x11ca530d828>),
 (3, <matplotlib.axes._subplots.AxesSubplot at 0x11ca5332da0>),
# flat降维成一维
# enumerate每个对象带序号构成一个元组，因为是惰性对象，所以在列表中可以用*打开

for i, ax in enumerate(axes.flat):
    ax.imshow(faces.images[i,:,:],cmap='gray') # 选择色彩的模式，原本显示绿色，设置显示黑白

fig

pca = PCA(150).fit(X) # X = faces.data，注意faces.data.shape为(1348, 2914)
V = pca.components_ # 是V^T而不是V
V.shape
---
(150, 2914)

V[0].shape # 这一行的shape，意义不大
---
(2914,)

V[0].reshape(62,47).shape # 这里实际上是被选中的降维所用的特征向量进行reshape
---
(62, 47)

fig, axes = plt.subplots(5,10,figsize=(8,4),subplot_kw = {"xticks":[],"yticks":[]})
for i,ax in enumerate(axes.flat):
    ax.imshow(V[i,:].reshape(62,47),cmap='gray')
# 这里对V进行可视化，显然画的不是图片，而是特征向量
# 个人理解，这里的V是150*2914，150个特征向量也就是150个最重要的点
# X*V，也就是通过X对V这150个特征组成的图像进行加权得到降维后的图像
# 越靠前的V越重要，越靠后的区分度越小
# 前几个特征也就是这个前几个图像主要关注了五官的位置，光照等

PCA(
    ['n_components=None', 'copy=True', 'whiten=False', "svd_solver='auto'", 'tol=0.0', "iterated_power='auto'", 'random_state=None'],
)
# whiten:是否PCA后进行白化

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

faces = fetch_lfw_people(min_faces_per_person=60)
X = faces.data
X.shape
---
(1348, 2914)

pca = PCA(150)
X_dr = pca.fit_transform(X)
X_dr.shape
---
(1348, 150)

X_inverse = pca.inverse_transform(X_dr)
X_inverse.shape
# 期待X_inverse和原数据有相同的结构，如果相同，我们就说inverse_transform实现了降维过程的逆转
# 维度相同，即使inverse_transform将降维后的数据映射回原数据所在的维度空间中，但信息已经损失了
---
(1348, 2914)

fig, ax = plt.subplots(2,10,figsize=(10,2.5)
                     ,subplot_kw={'xticks':[],'yticks':[]}
                     )
for i in range(10):
    ax[0,i].imshow(faces.images[i,:,:],cmap='binary_r')
    ax[1,i].imshow(X_inverse[i].reshape(62,47),cmap='binary_r')
fig
# 第一行是原数据，第二行是inverse_transform后返回的数据
---