앞의 코드 예제에서는 직접 만든 PCA 구현으로 로딩을 계산했습니다. 비슷한 방식으로 훈련된 사이킷런의 PCA 객체에서 로딩을 얻을 수 있습니다. 여기에서 pca.components_는 고유 벡터를 나타내고 pca.explained_variance_는 고윳값을 나타냅니다.
>>> sklearn_loadings = pca.components_.T * np.sqrt(pca.explained_variance_)
앞에서와 비슷한 막대 그래프를 그려서 사이킷런의 PCA 로딩을 비교해 보겠습니다.
>>> fig, ax = plt.subplots()
>>> ax.bar(range(13), sklearn_loadings[:, 0], align='center')
>>> ax.set_ylabel('Loadings for PC 1')
>>> ax.set_xticks(range(13))
>>> ax.set_xticklabels(df_wine.columns[1:], rotation=90)
>>> plt.ylim([-1, 1])
>>> plt.tight_layout()
>>> plt.show()