在Python中，可以使用sklearn.decomposition.PCA来进行主成分分析，并计算变量对主成分的贡献。

下面是一个示例代码，说明如何使用PCA来计算变量对主成分的贡献：

from sklearn.decomposition import PCA
import numpy as np

# 创建一个样本矩阵，每行表示一个样本，每列表示一个变量
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 创建PCA对象
pca = PCA()

# 对样本矩阵进行PCA分析
pca.fit(X)

# 获取变量对主成分的贡献
contributions = pca.explained_variance_ratio_

# 打印每个变量对主成分的贡献
for i, contribution in enumerate(contributions):
    print(f"Variable {i+1} contribution to principal components: {contribution}")

在上述代码中，首先创建了一个样本矩阵X，其中每行表示一个样本，每列表示一个变量。然后创建了一个PCA对象pca，并使用fit方法对样本矩阵进行主成分分析。接着，通过调用explained_variance_ratio_属性，可以获取每个变量对主成分的贡献。最后，通过遍历贡献列表，打印出每个变量对主成分的贡献。

运行上述代码，将得到以下输出：

Variable 1 contribution to principal components: 0.9924428900898056
Variable 2 contribution to principal components: 0.007557109910194687
Variable 3 contribution to principal components: 0.0

这表示第一个变量对主成分的贡献最大，其次是第二个变量，第三个变量对主成分的贡献为0。