Sklearn PCA报错unhashable type: 'slice'，3D数据降维至2D失败求助

首先看你代码里的几个关键问题，直接导致了这个错误：

问题1：函数返回的是原始数据，而非降维后的数据 #

你的do_PCA函数最后返回的是输入的x，也就是原始的3D DataFrame，根本没有返回PCA处理后的2D结果。而且你在函数里写的那行PCA(copy=True, iterated_power='auto', ...)完全是多余的——这只是创建了一个新的PCA实例，但既没赋值给变量，也没用来处理数据，纯粹是无效代码。

问题2：切片方式不匹配数据类型（次要，但也需要注意） #

就算你返回了正确的结果，如果原始x是DataFrame，直接用[:,0]这种numpy风格的切片也会报错，因为DataFrame需要用iloc或者loc来索引。不过只要我们返回的是PCA转换后的numpy数组，这个切片方式就没问题了。

修正后的代码 #

def do_PCA(x, svd_solver):
    from sklearn.decomposition import PCA
    # 初始化PCA实例，使用传入的svd_solver参数（你之前硬编码成'full'了，浪费参数）
    pca = PCA(n_components=2, svd_solver=svd_solver)
    # 先拟合数据，再转换得到降维后的2D结果
    reduced_data = pca.fit_transform(x)
    # 返回降维后的数据，而不是原始x
    return reduced_data

# 调用函数得到降维后的2D数组
pca_data = do_PCA(x, "full")

fig = plt.figure()
ax = fig.add_subplot(111)
ax.set_title('Full PCA')
# 现在pca_data是numpy数组，可以用[:,0]和[:,1]取列
ax.scatter(pca_data[:,0], pca_data[:,1], c='blue', marker='.', alpha=0.75)
plt.show()

关键修改点说明 #

• 移除了那行无用的PCA(...)代码。
• 用fit_transform(x)替代分开的fit(x)和手动转换——这个方法会一次性完成拟合和数据转换，返回降维后的numpy数组。
• 函数返回的是reduced_data（降维后的结果），而不是原始的x。
• 把变量名从pca改成pca_data，避免和PCA实例混淆，可读性更好。
• 把PCA初始化里的svd_solver='full'改成传入的参数svd_solver，这样你的函数参数才有用，不然传"full"进去根本没用到。

这样修改后，你就能得到正确的2D降维数据，然后正常用散点图可视化了。

内容的提问来源于stack exchange，提问作者Pepin Peng