基于R导出PC分数的Python原始数据重构失败问题排查

问题背景 #

我尝试在Python2.7中通过PC分数和特征向量还原原始数据，使用R的iris数据集完成前置处理，再用两种方法重构数据：

R端预处理代码 #

# R代码 ##########################
library(writexl)
pcafast <- prcomp(iris[,1:4])
# 导出iris数据
write_xlsx(iris[,1:4], "data.xlsx")
# 导出PC分数
write_xlsx(as.data.frame(pcafast$x), "score.xlsx")
# 导出特征向量
write_xlsx(as.data.frame(pcafast$rotation), "eigvec.xlsx")

两种Python重构方法 #

方法1：Python内计算PC分数与特征向量

# Python代码 ##########################
import numpy as np
import pandas as pa

Y = pa.read_excel("/home/yangjianLab/wenyifeng/pca/data.xlsx")
Y = Y.values

# 均值中心化
Ymean = np.mean(Y,axis=0)
Y0 = Y - Ymean

# 获取特征向量(v)
u, s, v = np.linalg.svd(Y0)

# 投影到主成分
PC_projections = np.dot(v,Y0.T).T

ced = np.dot(PC_projections,v)
Yrecon = ced + Ymean

方法2：导入R导出的PC分数与特征向量

# Python代码 ##########################
Y2 = pa.read_excel("<PATH>/data.xlsx")
Y2 = Y2.values

# 均值中心化
Ymean2 = np.mean(Y2,axis=0)

# 加载R中prcomp导出的PC分数
PC_projections2 = pa.read_excel("<PATH>/score.xlsx")
PC_projections2b = PC_projections2.values

# 加载R中prcomp导出的特征向量
v2 = pa.read_excel("<PATH>/eigvec.xlsx")
v2b = v2.values

ced2 = np.dot(PC_projections2b,v2b)
Yrecon2 = ced2 + Ymean2

问题现象 #

方法1成功重构原始数据，但方法2失败，对比发现：

• 方法1的PC_projections与方法2的PC_projections2b仅第一列符号相反；
• 方法1的特征向量v是方法2的v2b转置后，再反转第一行符号的结果。

核心问题 #

Q1：上述PC分数和特征向量的差异是否在所有数据集下都固定？若差异随数据集变化，请提供R端代码转换prcomp的输出，使其导入Python2.7后可成功重构数据。要求所有转换操作在R中完成，仅需在Python中导入数据执行代码。
Q2：方法1重构的数据与原始数据数值一致，但np.array_equal(Y[:5,:], Yrecon[:5,:])返回False，原因是什么？

解答 #

Q1 跨语言PCA输出的适配方案 #

这种差异不是固定的：主成分的符号本身具有任意性（特征向量乘以-1仍属于同一主成分），且R的prcomp与Python的np.linalg.svd在特征向量的存储维度、符号约定上存在差异：

• R的prcomp$rotation是变量×主成分矩阵（每列对应一个主成分的特征向量）；
• Python SVD返回的v是主成分×变量矩阵（每行对应一个主成分的特征向量）。

要在R端完成格式统一，适配Python的重构逻辑，可使用以下修正代码：

# R端修正代码
library(writexl)
pcafast <- prcomp(iris[,1:4])

# 1. 统一特征向量符号：让每个主成分的第一个元素为正（匹配SVD常见约定）
sign_flip <- sign(pcafast$rotation[1, ])
pcafast$rotation <- pcafast$rotation %*% diag(sign_flip)
pcafast$x <- pcafast$x %*% diag(sign_flip)

# 2. 转置特征向量矩阵，对齐Python SVD的维度格式
rot_transposed <- t(pcafast$rotation)

# 导出修正后的文件
write_xlsx(iris[,1:4], "data.xlsx")
write_xlsx(as.data.frame(pcafast$x), "score_fixed.xlsx")
write_xlsx(as.data.frame(rot_transposed), "eigvec_fixed.xlsx")

此时Python端直接使用方法2的代码（替换文件路径为修正后的文件）即可完成正确重构。

Q2 np.array_equal返回False的原因 #

np.array_equal要求数组每个元素完全精确相等，但PCA重构过程涉及多次浮点数运算（均值计算、矩阵点乘、SVD分解），会产生微小的浮点误差（如1.0变为1.0000000000000002或0.9999999999999998）。这些误差肉眼不可见，但会导致严格相等判断失败。

验证与解决：

• 使用np.allclose(Y[:5,:], Yrecon[:5,:])进行近似相等判断，该函数允许微小浮点误差（默认相对误差1e-05，绝对误差1e-08），通常会返回True；
• 查看具体误差：print(Y[:5,:] - Yrecon[:5,:])，会看到绝对值极小的数值（如1e-15级别）。

内容的提问来源于stack exchange，提问作者Patrick