如何用PCA获取两个主成分？Python实现疑问及数据示例

嘿，我来帮你搞定PCA里主成分向量和旋转角度的问题，结合你的两组功率数据一步步拆解～

首先假设你已经把数据加载成了DataFrame，我们先写个完整的代码示例，把PCA跑起来：

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 加载你的数据（实际替换成你的文件路径或数据来源）
data = pd.read_csv("your_power_data.csv", header=0, names=["Index", "GarageMudroomLights", "DiningRoomOutlets"])
# 提取特征列，去掉索引列
X = data[["GarageMudroomLights", "DiningRoomOutlets"]].values

# 关键：PCA对数据尺度敏感，先做标准化（均值为0，方差为1）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 初始化PCA，保留2个主成分（你的数据是2维的，刚好覆盖所有成分）
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)

你要的主成分正交向量，直接存在PCA模型的components_属性里，它是一个(n_components, n_features)形状的数组——每一行就是一个主成分的单位向量，而且这些向量天生是正交的（PCA的核心就是找正交的特征向量，保证成分间无冗余）。

打印看看：

print("主成分正交向量：")
print(pca.components_)

输出会是类似这样的2行2列数组：

[[0.85 0.53]
 [-0.53 0.85]]

• 第一行是**主成分1（PC1）**的向量，代表原始两个特征的线性组合权重：PC1 = 0.85*GarageMudroomLights + 0.53*DiningRoomOutlets
• 第二行是**主成分2（PC2）**的向量，和PC1正交，组合方式是PC2 = -0.53*GarageMudroomLights + 0.85*DiningRoomOutlets

另外，pca.explained_variance_ratio_能告诉你每个主成分解释的方差占比，比如输出[0.91, 0.09]就说明PC1解释了91%的数据变异，是最核心的成分。

因为你的数据是2维的，我们可以计算主成分相对于原始特征坐标轴的旋转角度：

• 对于PC1的向量(a, b)，它和原始X轴（GarageMudroomLights）的夹角θ，用反正切函数计算：θ = arctan(b/a)，再转成角度（乘以180/np.pi）
• 因为PC1和PC2正交，PC2与X轴的夹角就是θ ± 90°（具体方向看向量符号）

代码示例：

import numpy as np

# 获取PC1的向量
pc1 = pca.components_[0]
# 计算PC1与X轴的夹角（弧度转角度）
angle_rad = np.arctan(pc1[1]/pc1[0])
angle_deg = np.degrees(angle_rad)

print(f"PC1相对于GarageMudroomLights坐标轴的旋转角度：{angle_deg:.2f}°")
print(f"PC2相对于GarageMudroomLights坐标轴的旋转角度：{angle_deg + 90:.2f}°")

这里要再强调：一定要先标准化数据，不然PCA结果会偏向数值范围大的特征，导致主成分向量和旋转角度都失去参考意义。

如果你想验证两个主成分真的正交，可以计算它们的点积，结果应该接近0（因为是单位向量，正交的话点积严格为0，浮点运算可能有微小误差）：

dot_product = np.dot(pca.components_[0], pca.components_[1])
print(f"主成分向量点积：{dot_product:.6f}")  # 输出应该接近0

内容的提问来源于stack exchange，提问作者Ameko