何时应用PCA（主成分分析）：应在数据集预处理前还是后执行？

PCA必须在所有基础预处理步骤（缺失值处理、特征编码、标准化等）全部完成后再执行，禁止在预处理流程前调用。

核心原因如下：

• PCA的计算逻辑基于数值特征的方差、协方差矩阵，本身无法处理缺失值、非数值的类别型特征。如果未完成缺失值填充、类别特征编码（独热编码/标签编码等）就输入PCA，要么直接报错，要么得到完全不符合业务逻辑的错误降维结果。
• PCA对特征的量纲高度敏感，数值尺度更大的特征会在方差计算中占据绝对主导地位，直接扭曲降维结果。你当前已经完成了数值特征的标准化操作，完全符合PCA的输入要求，可以直接执行降维。
• 额外注意：拟合PCA的过程只能使用训练集数据完成，测试集只能调用训练好的PCA模型做转换，不能用全量数据集（训练+测试）拟合PCA，否则会造成数据泄露，导致模型泛化能力虚高。

你当前场景下的PCA使用参考代码：

from sklearn.decomposition import PCA

# 示例：设置保留95%的原始方差，也可手动指定n_components为固定维度
pca = PCA(n_components=0.95, random_state=42)
# 仅用训练集拟合PCA并转换训练集
x_train_pca = pca.fit_transform(x_train)
# 测试集直接用训练好的PCA转换，避免数据泄露
x_test_pca = pca.transform(x_test)

# 可输出降维后保留的维度数验证效果
print(f"降维后保留维度：{pca.n_components_}")

可选优化建议：如果你的91维特征中包含大量独热编码生成的稀疏类别特征，可以选择将稠密数值特征和稀疏类别特征拆分，仅对稠密数值特征做PCA降维后再和稀疏特征拼接，既可以保留类别特征的可解释性，也能降低不必要的计算量。

内容的提问来源于stack exchange，提问作者nithin krishna