能否通过PCA实现2D几何图形主轴与参考轴平行对齐？

你的代码存在几个关键问题导致报错，同时未正确实现几何对齐逻辑：

• 数据格式错误：PCA要求输入为样本×特征的二维数组，你将X、Y作为单独一维数组传入，不符合要求。
• 不必要的标准化：几何对齐无需做Z-score标准化，这会改变图形比例，仅需对数据做中心化处理即可。
• PCA使用逻辑偏差：单纯调用fit_transform只是将数据投影到主成分空间，未利用PCA的旋转矩阵完成坐标轴对齐。

以下是可运行的完整解决方案，包含数据处理、PCA对齐及可视化对比：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# 原始坐标数据
X1_coordinate = [0.0, 0.87, 1.37, 1.87, 2.73, 3.6, 4.46, 4.96, 5.46, 4.6, 3.73, 2.87, 2.0, 1.5, 1.0, 0.5, 2.37, 3.23, 4.1]
Y1_coordinate = [0.0, 0.5, -0.37, -1.23, -0.73, -0.23, 0.27, -0.6, -1.46, -1.96, -2.46, -2.96, -3.46, -2.6, -1.73, -0.87, -2.1, -1.6, -1.1]

# 1. 将坐标转换为(n_samples, 2)的二维数组
points = np.array([X1_coordinate, Y1_coordinate]).T

# 2. 中心化数据（减去均值，使图形中心移至原点）
points_centered = points - np.mean(points, axis=0)

# 3. 拟合PCA，获取主成分旋转矩阵
pca = PCA(n_components=2)
pca.fit(points_centered)

# 4. 投影到主成分空间，实现主轴与XY轴平行
aligned_points_centered = pca.transform(points_centered)

# 5. 可选：将对齐后的数据移回原始中心（保留图形原位置）
aligned_points = aligned_points_centered + np.mean(points, axis=0)

# 可视化对比原始与对齐后的图形
plt.figure(figsize=(12, 6))

# 原始图形
plt.subplot(1, 2, 1)
plt.scatter(points[:, 0], points[:, 1], c='blue', label='原始图形')
plt.title('原始几何图形')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.axis('equal')
plt.legend()

# 对齐后的图形
plt.subplot(1, 2, 2)
plt.scatter(aligned_points[:, 0], aligned_points[:, 1], c='red', label='对齐后图形')
plt.title('主轴与XY轴平行的几何图形')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.axis('equal')
plt.legend()

plt.tight_layout()
plt.show()

关键步骤说明 #

• 数据格式转换：将X、Y坐标合并为二维数组，每行代表一个点的(x,y)坐标，满足PCA输入要求。
• 中心化处理：减去数据均值消除平移影响，确保PCA计算的主轴仅反映图形的旋转特征。
• PCA旋转对齐：transform方法将数据投影到主成分方向，此时图形的主轴会与新的坐标轴重合，实现对齐。若需保留图形原始位置，只需将对齐后的数据加回原始均值。
• 等比例坐标轴：plt.axis('equal')保证图形比例不被拉伸，直观展示对齐效果。

内容的提问来源于stack exchange，提问作者Urvesh