一、前言

在数据分析中，我们经常面对这样的情况：

• 数据维度太多（几十上百个特征）

• 特征之间高度相关

• 模型训练速度慢、效果不稳定

这时候，主成分分析（Principal Component Analysis, PCA） 就能帮上大忙。

它能在不损失主要信息的前提下，把高维数据压缩为少量关键特征，既节省计算资源，又能让数据结构更清晰。

---

二、PCA 是什么？

PCA 是一种无监督的线性降维算法，核心思想是：

找出一组新的特征（称为主成分），这些主成分能最大程度保留原始数据的方差信息。

换句话说，PCA 就是在高维空间中找到最能代表数据结构的方向。

其步骤如下：

1. 数据标准化；

2. 计算协方差矩阵；

3. 求解特征值与特征向量；

4. 选择最大的几个特征值对应的主成分；

5. 将数据投影到这些主成分上。

---

三、准备数据

我们先生成一个模拟高维数据集。

import pandas as pd from sklearn.datasets import make_classification X, y = make_classification( n_samples=200, n_features=5, n_informative=3, n_redundant=2, random_state=42 ) df = pd.DataFrame(X, columns=[f'Feature_{i}' for i in range(1,6)]) df.head()

---

四、标准化数据

在 PCA 中，标准化是必须的，因为不同维度的量纲会严重影响方差计算。

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(df)

---

五、执行 PCA 降维

from sklearn.decomposition import PCA # 降到 2 维 pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) print('各主成分的方差贡献率:', pca.explained_variance_ratio_)

输出示例：

各主成分的方差贡献率: [0.63 0.22]

这说明前两个主成分保留了约 85% 的信息量。

---

六、可视化主成分

import matplotlib.pyplot as plt plt.figure(figsize=(8,5)) plt.scatter(X_pca[:,0], X_pca[:,1], c=y, cmap='viridis', s=50) plt.xlabel('主成分 1') plt.ylabel('主成分 2') plt.title('PCA 降维结果可视化') plt.show()

🎨 不同颜色表示不同类别，可以看到经过 PCA 后，数据在二维空间中仍保持较好的可分性。

---

七、主成分数量选择

我们可以用累计方差贡献率来判断需要保留多少个主成分。

pca_full = PCA().fit(X_scaled) plt.plot(range(1,6), pca_full.explained_variance_ratio_.cumsum(), marker='o') plt.xlabel('主成分个数') plt.ylabel('累计方差贡献率') plt.title('累计方差贡献率曲线') plt.show()

📈 一般来说，当累计方差贡献率达到 85%-95% 时，说明信息保留得足够多。

---

八、实际应用场景

PCA 在企业和研究中有非常广泛的用途：

应用领域	作用
🎯 用户画像	从上百个行为指标中提取主要特征
📊 金融分析	压缩股票或基金多维指标
🧠 机器学习	提高模型训练速度、减少过拟合
🔬 图像识别	降低像素维度，提高分类性能
💡 传感器数据	提取最具代表性的信号模式

---

九、PCA + 聚类的组合应用

PCA 常与聚类算法（如 K-Means）配合使用。

from sklearn.cluster import KMeans kmeans = KMeans(n_clusters=3, random_state=42) labels = kmeans.fit_predict(X_pca) plt.scatter(X_pca[:,0], X_pca[:,1], c=labels, cmap='rainbow') plt.title('PCA + KMeans 聚类结果') plt.show()

这样可以在低维空间中更直观地分群，同时提升聚类效果。