使用Prince库进行FAMD分析时如何关联输出与原始变量名？

Prine库的FAMD模块内置了变量与主成分相关性的计算结果，无需手动适配sklearn PCA的逻辑，直接调用内置属性即可完成关联，操作代码如下：

1. 生成变量-主成分关联矩阵

# 拟合FAMD（原有代码无需修改）
famd = prince.FAMD(n_components=10, n_iter=3, copy=True, check_input=True, engine='auto', random_state=42)
famd = famd.fit(df_pca)

# 提取变量与主成分的相关系数矩阵，直接关联原始变量名
famd_corr = famd.column_correlations_
famd_corr_df = pd.DataFrame(
    famd_corr,
    index = df_pca.columns, # 行对应原始变量名
    columns = [f'PC{i+1}' for i in range(famd.n_components)] # 列对应生成的主成分
)

生成的famd_corr_df即为关联结果，单元格数值为对应变量和主成分的皮尔逊相关系数，绝对值越高代表该变量对对应主成分的解释力度越强。

2. 提取每个主成分贡献最高的变量
   如果需要提取每个主成分对应贡献最高的变量，可基于上述关联矩阵直接计算：

# 按绝对值取每个主成分相关度最高的变量
pc_top_feature = famd_corr_df.abs().idxmax(axis=0)
# 整合解释方差等信息生成结果表
pc_result = pd.DataFrame({
    '主成分': pc_top_feature.index,
    '最高贡献变量': pc_top_feature.values,
    '相关系数': [famd_corr_df.loc[pc_top_feature[pc], pc] for pc in pc_top_feature.index],
    '解释惯性占比': famd.explained_inertia_
})

内容的提问来源于stack exchange，提问作者Marie M