变量的去相关和主成分分析是一种常用的数据预处理和降维技术。下面是一个Python示例，演示了如何使用sklearn库进行变量的去相关和主成分分析。

首先，我们需要导入所需的库和模块：

import numpy as np
from sklearn.decomposition import PCA

然后，我们创建一个示例数据集：

# 创建示例数据集
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

接下来，我们可以使用PCA模块对数据进行主成分分析：

# 创建PCA对象
pca = PCA()

# 对数据进行主成分分析
X_pca = pca.fit_transform(X)

现在，我们可以查看主成分分析的结果：

# 查看主成分分析的结果
print("原始数据：")
print(X)
print("主成分分析结果：")
print(X_pca)

最后，我们可以使用PCA对象的components_属性查看主成分的权重向量，即变量的去相关结果：

# 查看主成分的权重向量
print("主成分的权重向量：")
print(pca.components_)

完整的代码示例如下：

import numpy as np
from sklearn.decomposition import PCA

# 创建示例数据集
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 创建PCA对象
pca = PCA()

# 对数据进行主成分分析
X_pca = pca.fit_transform(X)

# 查看主成分分析的结果
print("原始数据：")
print(X)
print("主成分分析结果：")
print(X_pca)

# 查看主成分的权重向量
print("主成分的权重向量：")
print(pca.components_)

运行上述代码将输出原始数据、主成分分析结果和主成分的权重向量。