import numpy as np
import pandas as pd
Location1 = r'C:Users...close_prices.csv'
df = pd.read_csv(Location1)
from sklearn.decomposition import PCA
X = df.drop('date', 1)
pca = PCA(n_components=10)
pca.fit(X)
print(pca.explained_variance_ratio_)
# первая компонента объясняет больше всего вариации признаков (цены 30-ти компаний)
# теперь применяю преобразование к исходным данным
X1 = pca.transform(X)
X1
Out[7]:
array([[-50.90240358, -17.63167724,  -7.7360209 , ...,   3.55657041,
     -5.82197358,  -1.72604005],
   [-52.84690919, -19.14690749,  -7.27254551, ...,   3.43259929,
     -5.63318106,  -2.0122316 ],
X1.shape
# (374, 10)
# необходимо взять первую компоненту и рассчитать коэфициент корреляции Пирсона для Индекса Доу Джонса размерностью (374, 1) => я беру (374, 1)
X11 = X1[:,[0]]
X11.shape
# (374,1)