با استفاده از SciPy و NumPy یک تابع بنویسید که یک مجموعه داده دوبعدی را بگیرد، داده‌ها را مرکزی‌سازی کند، با استفاده از SVD مؤلفه‌های اصلی را محاسبه کند و نسبت واریانس توضیح داده‌شده توسط هر مؤلفه را بازگرداند.

برای PCA با SVD، ابتدا داده‌های دوبعدی X را با کسر میانگین هر ستون مرکزدهی کنید و سپس با scipy.linalg.svd(X_centered, full_matrices=False) انجام دهید تا پایداری عددی بهبود یابد. مقادیر منفرد S_i را به مربعات آنها تبدیل کنید و آنها را بر (n-1) تقسیم کنید تا واریانس توضیح داده‌شده هر مؤلفه به‌دست آید. نسبت واریانس توضیح داده‌شده هر مؤلفه برابر است با (S_i^2/(n-1)) / sum_j S_j^2/(n-1). در صورت نیاز به ثبات بیشتر، می‌توانید داده‌ها را پیش از SVD استانداردسازی کنید، و خروجی را به صورت آرایه‌ای از نسبت‌ها بازگردانید تا برای رسم scree یا انتخاب مؤلفه‌ها استفاده شود.