定义

主成分分析（PCA）是常用的线性数据降维技术，采用一种数学降维的方法，在损失很少信息的前提下，找出几个综合变量作为主成分，来代替原来众多的变量，使这些主成分能够尽可能地代表原始数据的信息，其中每个主成分都是原始变量的线性组合，而且各个主成分之间不相关（即线性无关）

基本原理

找出第一个主成分的方向，也就是数据 方差最大 的方向。
找出第二个主成分的方向，也就是数据 方差次大 的方向，并且该方向与第一个主成分方向 正交(orthogonal 如果是二维空间就叫垂直)。
通过这种方式计算出所有的主成分方向。
通过数据集的协方差矩阵及其特征值分析，我们就可以得到这些主成分的值。
一旦得到了协方差矩阵的特征值和特征向量，我们就可以保留最大的 N 个特征。这些特征向量也给出了 N 个最重要特征的真实结构，我们就可以通过将数据乘上这 N 个特征向量 从而将它转换到新的空间上

简单代码实例

import numpy as np# 生成示例数据
np.random.seed(0)
data = np.random.rand(5, 3)  # 5个样本，每个样本有3个特征# 计算均值
mean = np.mean(data, axis=0)# 中心化数据（减去均值）
centered_data = data - mean# 计算协方差矩阵
cov_matrix = np.cov(centered_data, rowvar=False)# 计算特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(cov_matrix)# 对特征值排序
sorted_indices = np.argsort(eigenvalues)[::-1]
eigenvalues = eigenvalues[sorted_indices]
eigenvectors = eigenvectors[:, sorted_indices]# 选择要保留的主成分数量
num_components = 2# 取前num_components个特征向量
selected_eigenvectors = eigenvectors[:, :num_components]# 使用特征向量变换数据
reduced_data = np.dot(centered_data, selected_eigenvectors)# reduced_data现在包含了降维后的数据，每行是一个样本，每列是一个主成分print("原始数据:\n", data)
print("降维后的数据:\n", reduced_data)