我想对特定数据集进行主成分分析，然后将主成分输入到LogisticRegression分类器中。

具体来说，我想应用PCA并保留90%的总方差，使用函数computePrincipalComponentsAndExplainedVariance。

以下是读取数据集的代码：

// 加载数据val text = sparkSession.sparkContext.textFile("dataset.data")        val data = text.map(line => line.split(',').map(_.toDouble))  // 分离标签和特征val dataLP = data.map(t => (t(57), Vectors.dense(t.take(57)))) 

我不太确定如何进行PCA以保持90%的总方差。

回答：

使用computePrincipalComponentsAndExplainedVariance函数，返回值将是一个矩阵以及一个包含每个主成分解释的方差值的向量。根据文档：

返回值：一个大小为n-by-k的矩阵，其列为主成分，以及一个指示每个主成分解释的方差值的向量

通过使用足够大的k作为输入，你可以简单地将向量中的数字相加，直到达到90%或以上，然后使用矩阵中相应数量的列。