這篇文章大致講講需要用到的后端技術。其實如果只是小數(shù)據(jù)量，或者是一些小型的項目，研究型的項目，純前端就可以搞定，利用JS讀取數(shù)據(jù)，JS處理數(shù)據(jù)。

后端無非就是處理數(shù)據(jù)，提取用戶想要的數(shù)據(jù)。筆者最常用的就是python了，相對于java，c, c++，python簡直對初學者太友好，提供了豐富多彩的API接口，比如常見的降維聚類算法：PCA, t-SNE, MDS, k-means等。筆者曾經(jīng)用c實現(xiàn)過PCA算法，應該有幾百行代碼吧，可是在python里，只需要三行代碼。下文將為大家介紹下如何用python實現(xiàn)對Iris數(shù)據(jù)集使用PCA算法，以及展示效果。

[[285922]]

因此，筆者強烈建議新手使用python練手，操作門檻低，前期可以將更多的關注點集中在前端數(shù)據(jù)可視化上。到了后期，有經(jīng)驗了就可以自由組合。筆者前期使用的是python，可是到了后期由于性能問題，python已經(jīng)很難解決我項目所遇到的數(shù)據(jù)和算法復雜度。于是我將復雜度高的算法全部用C重寫了一遍，并用python調用這個模塊。這樣之前項目的項目代碼框架不變，不需要代碼全部重寫重構，只需在相應的地方調用相應的C模塊即可。

python使用PCA算法實戰(zhàn)

在講之前，用戶需要安裝python包，這里強烈建議新手安裝anaconda，anaconda集成了python以及在開發(fā)過程中一大堆第三方包，比如下文用到的sklearn包。

引入第三方庫的PCA算法，sklearn是pythonz中常用的機器學習第三方模塊，對常用的機器學習方法進行了封裝，包括回歸、降維、分類、聚類等方法。

from sklearn.decomposition import PCA 

加載python中自帶的Iris數(shù)據(jù)集，做機器學習的應該比較熟悉這個數(shù)據(jù)集。主要包含4個維度，三個類。

from sklearn.datasets import load_iris 
irisData = load_iris() 

對數(shù)據(jù)集使用PCA算法，將數(shù)據(jù)降到2維。

pca = PCA(n_components=2) 
reducedData = pca.fit(irisData) 

將結果在散點圖中畫出來。這里就不講具體python的繪制邏輯了，沒錯，python就是這么強大，也提供了可視化圖表的能力。但是更多還是以處理數(shù)據(jù)為目的，將數(shù)據(jù)傳給前端，讓前端繪制。感興趣的可以去了解下：matplotlib，這個是python的可視化繪圖庫。

iris數(shù)據(jù)集降到二維