如何在Python中利用PCA的两个矩阵从10个主成分重建数据并获取Z？

获取矩阵Z的两种方式 #

Z即PCA输出的主成分得分矩阵，对应你导入的X_reduced_417.csv，在sklearn里可以通过以下两种方式获取：

1. 基于原始数据训练PCA模型生成Z

如果仍能获取原始数据集，直接用sklearn的PCA类完成训练与降维：

import pandas as pd
from sklearn.decomposition import PCA

# 替换为你的原始数据读取逻辑
original_data = pd.read_csv('your_original_dataset.csv', header=None)

# 初始化PCA，指定保留前10个主成分
pca = PCA(n_components=10)
# 训练模型并对原始数据降维，得到Z矩阵
Z = pca.fit_transform(original_data)

# 同时可直接获取重建所需的其他参数
loadings = pca.components_.T  # 转置后与你的X_loadings_417维度匹配
mean_vector = pca.mean_

2. 基于已有载荷矩阵/均值生成Z

如果已经有现成的载荷矩阵（X_loadings_417）和均值，可手动初始化PCA模型参数后计算Z：

import pandas as pd
import numpy as np
from sklearn.decomposition import PCA

original_data = pd.read_csv('your_original_dataset.csv', header=None)
df_loadings = pd.read_csv('X_loadings_417.csv', header=None)
# 假设你已保存均值文件，替换为你的均值读取逻辑
mean_vector = pd.read_csv('mean_matrix.csv', header=None).values.flatten()

# 初始化PCA模型
pca = PCA(n_components=10)
# 手动设置模型参数：sklearn的components_形状为(n_components, n_features)，需转置载荷矩阵
pca.components_ = df_loadings.values.T
pca.mean_ = mean_vector
# 计算Z矩阵
Z = pca.transform(original_data)

重建初始数据 #

拿到Z、载荷矩阵和均值后，按公式执行重建：

# 确保矩阵维度匹配：Z(n_samples,10) × 载荷矩阵转置(10,n_features)
reconstructed_data = np.dot(Z, df_loadings.values.T) + mean_vector

内容的提问来源于stack exchange，提问作者Sasha