повышение LinAlgError ("SVD не сходятся") LinAlgError: SVD не сходятся в определении PCA Matplotlib

Question

код:

import numpy 
from matplotlib.mlab import PCA 
file_name = "C:/Documents and Settings/862629/My Documents/53135/programs/store1_pca_matrix.txt" 
ori_data = numpy.loadtxt(file_name,dtype='float', comments='#', delimiter=None,     converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0) 
result = PCA(ori_data) 

это мой код. хотя моя матрица ввода лишена nan и inf, я получаю ошибку, указанную ниже.

raise LinAlgError("SVD did not converge") LinAlgError: SVD did not converge 

В чем проблема?

Answer 1

Это может произойти, если в данных имеются значения inf или nan.

Используйте это, чтобы удалить значения нан:

ori_data.dropna(inplace=True) 

Answer 2

У меня нет ответа на этот вопрос, но у меня есть сценарий воспроизведения без каких-либо NaNs и infs. К сожалению, набор данных довольно большой (96 МБ gzipped).

import numpy as np 
from StringIO import StringIO 
from scipy import linalg 
import urllib2 
import gzip 

url = 'http://physics.muni.cz/~vazny/gauss/X.gz' 
X = np.loadtxt(gzip.GzipFile(fileobj=StringIO(urllib2.urlopen(url).read())), delimiter=',') 
linalg.svd(X, full_matrices=False) 

которые поднимаются:

LinAlgError: SVD did not converge 

на:

>>> np.__version__ 
'1.8.1' 
>>> import scipy 
>>> scipy.__version__ 
'0.10.1' 

но не сгенерирует исключение на:

>>> np.__version__ 
'1.8.2' 
>>> import scipy 
>>> scipy.__version__ 
'0.14.0' 

Answer 3

Это может быть связано с особой природой ваш входной datamatrix (который вы используете ng to PCA)

Answer 4

Я использую numpy 1.11.0. Если матрица имеет более 1 eigvalues, равную 0, то «SVD не сходится» поднимается.

Answer 5

Даже если ваши данные верны, это может произойти из-за нехватки памяти. В моем случае проблема с переходом с 32-разрядной машины на 64-разрядную машину с большей памятью.

Answer 6

Я знаю, что это сообщение устарело, но в случае, если кто-то другой сталкивается с той же проблемой. @jseabold был прав, когда он сказал, что проблема - nan или inf, и op, вероятно, был прав, когда он сказал, что данные не имеют nan или inf. Однако, если один из столбцов в ori_data всегда имеет то же значение, данные будут получать Nans, так как реализация PCA в MLab нормализует входные данные, делая

ori_data = (ori_data - mean(ori_data))/std(ori_data). 

Решение сделать:

result = PCA(ori_data, standardize=False) 

Таким образом, вычитается только среднее значение без деления на стандартное отклонение.