Python降维算法怎么用_PCA主成分分析与数据可视化实践

PCA降维这事，说起来简单，但实际用起来，坑还真不少。先说几个核心判断：你得先理解PCA的“脾气”，知道它什么时候该“fit”，什么时候该“transform”；主成分个数选多少，不能光看心情；画图的时候，坐标轴传对了没？还有，数据本身合不合适，心里得有个数。下面咱们把这些关键点掰开揉碎了说。

PCA 降维后数据形状不对，fit_transform 和 transform 混用导致报错

最让人头疼的坑，就是训练和预测阶段把fit_transform和transform搞混了。比如，训练时用fit_transform跑了一遍，结果新数据来了，又顺手调了个fit_transform，系统立马就给你看脸色：ValueError: X has 5 features, but PCA is expecting 10。这其实是个原则性问题。PCA的逻辑是，先通过fit（或者fit_transform）从训练数据里“学习”出一套主成分方向，然后，之后所有新数据，都只能老老实实地用这套方向去transform，不能重新“学习”。

• 训练阶段：用 pca.fit_transform(X_train)，得到降维后的数据，同时把模型保存下来。
• 推理/测试阶段：必须用同一个 pca 实例，调用 pca.transform(X_test)，千万不能重新 fit。
• 如果用了 StandardScaler 做预处理，道理一样，只对训练集 fit 一次，然后拿这个标准去 transform 测试集。

选多少个主成分？n_components 设成整数还是小数很关键

那么，到底选多少个主成分才合适？n_components这个参数，直接决定了你保留了多少信息，以及后续模型的效果。设成整数，比如5，意思就是固定保留前5个主成分；设成0到1之间的小数，比如0.95，那就灵活多了——它会自动帮你保留能解释95%方差的最少成分数量。在原始特征维度高、相关性又不明确的时候，用小数是更稳妥的做法。

• 如果你用了 n_components=0.95，记得跑完后检查一下 pca.n_components_，看看实际取了多少个主成分，别被意外压缩过度给坑了。
• 设整数时也得小心：如果 n_components 大于了样本数和特征数中较小的那个，系统会直接报错 ValueError: n_components must be <= min(n_samples, n_features)。
• PCA对样本数很敏感。当样本数远小于特征数（小样本高维数据）时，系统默认会用截断SVD算法，结果可能不太稳定，需要注意。

画散点图看降维效果，plt.scatter 坐标传错列名就白忙活

这点看起来简单，但出错率极高。PCA跑出来的结果是一个numpy.ndarray，没有列名。你想画前两个主成分的散点图，必须明确地取第0列和第1列：plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)。如果写成X_pca['PC1']，或者误用了原始特征的名字，那系统就会毫不客气地给你报KeyError或IndexError。

• 别依赖 pd.DataFrame(X_pca) 自动命名列，手动加列名更可控，比如：pd.DataFrame(X_pca, columns=[f'PC{i+1}' for i in range(X_pca.shape[1])])。
• 如果标签 y 是字符串（比如类别名），直接用 c=y 会报错，得先映射成数字：from sklearn.preprocessing import LabelEncoder; y_num = LabelEncoder().fit_transform(y)。
• 用 plt.colorbar() 配合 c 参数时，确保 y 是数值型，否则颜色条会显示异常，看着怪别扭的。

PCA 不适合所有数据：离群值、稀疏矩阵、非线性结构一碰就失效

话说回来，PCA确实不是万能药。它本质上是一个线性、基于均方误差最优的正交投影，碰到三类数据，基本就歇菜了：一是含有强离群点的数据，它们会严重拉偏协方差；二是文本类稀疏矩阵（比如scipy.sparse），sklearn.PCA 根本不支持；三是本质呈流形结构的数据，比如环形、S形，线性投影会把原本不同类别的数据点压到一起，导致分类完全失败。

• 有离群值？先考虑用 RobustScaler 处理，或者干脆删掉离群点再做PCA，别指望PCA自带鲁棒性。
• 稀疏数据（比如TF-IDF）？那得换 TruncatedSVD，接口跟PCA几乎一样，但它能支持稀疏矩阵。
• 怀疑数据是非线性结构？直接跳过PCA，试试 TSNE 或 UMAP。不过要注意，它们不可逆，也不支持 transform 新样本。

真正麻烦的是，你往往很难一开始就判断数据到底适不适合PCA。直到你画完图，发现所有类别都糊在一起，这时候才回过头去检查原始变量的相关性，画协方差热力图，甚至跑个 KernelPCA 做个对比——而不是硬着头皮调 n_components 这个参数。