個数保持したまま次元削除する方法

Question

前提・実現したいこと

(420,880)このリストを次元削除したい。（かつ、リストをarray）
↓
vec_list

data =
[[1,0,1,0,1,1,0,0,…880個],
 [0,1,0,0,0,0,0,0,…880個],
　…420個]

↓

data =
array[[0.37555 , 0.2214 ,…13個],
　　　[0.37555 , 0.2214 ,…13個],
　　　…420個]

array (420, 13)

発生している問題

PCAを用いて次元削除を行いました。

from sklearn.decomposition import PCA
pca = PCA(n_components=13)
pca.fit(data)

print("--- explained_variance_ratio_ ---")
print(pca.explained_variance_ratio_)

この結果は、(13,)次元となるのですが、420個それぞれ分かれた状態で13次元になってほしい私の望みとは違っていました。

試したこと

arr_2d_re = arr_2d[1].reshape(880,1)
print(arr_2d_re.shape)

from sklearn.decomposition import PCA
pca = PCA(n_components=13)
pca.fit(arr_2d_re)

print("--- explained_variance_ratio_ ---")
print(pca.explained_variance_ratio_)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-134-6c357b8cdba9> in <module>()
      1 from sklearn.decomposition import PCA
      2 pca = PCA(n_components=13)
----> 3 pca.fit(arr_2d_re)
      4 
      5 print("--- explained_variance_ratio_ ---")

2 frames
/usr/local/lib/python3.6/dist-packages/sklearn/decomposition/_pca.py in _fit_full(self, X, n_components)
    433                              "min(n_samples, n_features)=%r with "
    434                              "svd_solver='full'"
--> 435                              % (n_components, min(n_samples, n_features)))
    436         elif n_components >= 1:
    437             if not isinstance(n_components, numbers.Integral):

ValueError: n_components=13 must be between 0 and min(n_samples, n_features)=1 with svd_solver='full'

420個を分断されつつ、次元削除を行うにはどのようにしたらよいのか、何かアドバイス頂けないでしょうか。
よろしくお願い致します。

補足情報（FW/ツールのバージョンなど）

win10
python3.7
Google Colab
matplotlib

Answer 1

fit_transformメソッドの返り値が次元削減を行った結果になります。explained_variance_ratio_は累積寄与率と呼ばれる数値であり、次元削減の結果とは別物です。

result = pca.fit_transform(data)
print(result.shape)  # (420, 13)

sklearn.decomposition.PCA — scikit-learn 0.22.2 documentation
2.5. Decomposing signals in components (matrix factorization problems) — scikit-learn 0.22.2 documentation

Comments

[dendenmushi]

ご教授ありがとうございました。勉強になりました。