这篇文章大致讲讲需要用到的后端技术。其实如果只是小数据量，或者是一些小型的项目，研究型的项目，纯前端就可以搞定，利用JS读取数据，JS处理数据。
后端无非就是处理数据，提取用户想要的数据。笔者最常用的就是python了，相对于java，c, c++，python简直对初学者太友好，提供了丰富多彩的API接口，比如常见的降维聚类算法：PCA, t-SNE, MDS, k-means等。笔者曾经用c实现过PCA算法，应该有几百行代码吧，可是在python里，只需要三行代码。下文将为大家介绍下如何用python实现对Iris数据集使用PCA算法，以及展示效果。
因此，笔者强烈建议新手使用python练手，操作门槛低，前期可以将更多的关注点集中在前端数据可视化上。到了后期，有经验了就可以自由组合。笔者前期使用的是python，可是到了后期由于性能问题，python已经很难解决我项目所遇到的数据和算法复杂度。于是我将复杂度高的算法全部用C重写了一遍，并用python调用这个模块。这样之前项目的项目代码框架不变，不需要代码全部重写重构，只需在相应的地方调用相应的C模块即可。
python使用PCA算法实战
在讲之前，用户需要安装python包，这里强烈建议新手安装anaconda，anaconda集成了python以及在开发过程中一大堆第三方包，比如下文用到的sklearn包。
引入第三方库的PCA算法，sklearn是pythonz中常用的机器学习第三方模块，对常用的机器学习方法进行了封装，包括回归、降维、分类、聚类等方法。
- from sklearn.decomposition import PCA
加载python中自带的Iris数据集，做机器学习的应该比较熟悉这个数据集。主要包含4个维度，三个类。
- from sklearn.datasets import load_iris
- irisData = load_iris()
对数据集使用PCA算法，将数据降到2维。
- pca = PCA(n_components=2)
- reducedData = pca.fit(irisData)
将结果在散点图中画出来。这里就不讲具体python的绘制逻辑了，没错，python就是这么强大，也提供了可视化图表的能力。但是更多还是以处理数据为目的，将数据传给前端，让前端绘制。感兴趣的可以去了解下：matplotlib，这个是python的可视化绘图库。
iris数据集降到二维
