咨询：设置n_components=2的PCA输出形状为何是(1,1)而非(1,2)？

我拥有一个包含10个元素的列表，选取索引为{0, 2, 3, 7, 8}的5个特征创建输入并转换为数组，执行代码如下：

idx = {0, 2, 3, 7, 8}
Input = array([Input[x] for x in idx]).reshape((1, -1))
print(Input.shape) # 输出(1, 5)

随后应用n_components=2的PCA：

pca = PCA(n_components=2).fit(Input)
Input = pca.transform(Input)
print(Input.shape) #输出(1, 1)

请问为何设置n_components=2执行PCA后，输入形状为(1,1)而非(1,2)？

嘿，这个问题其实戳中了PCA的一个关键限制——它能提取的有效主成分数量，完全依赖于输入数据的样本数量和数据本身的方差维度。

咱们来拆解你的场景：
你输入的Input形状是(1,5)，也就是只有1个样本、5个特征。PCA的核心是通过分析样本间的方差差异来提取主成分，但你只有1个样本，根本没有"样本间差异"可言——所有特征的方差都是0（只有一个数值，没有波动）。

那为什么输出是(1,1)而不是(1,0)呢？这是sklearn的PCA实现里的一个小细节：当输入数据的有效维度（也就是能提供方差信息的维度）为0时，它会默认保留至少1个主成分（哪怕这个主成分没有实际的方差意义），不会返回空数组。

反过来想，如果你的输入有2个或更多样本，哪怕还是5个特征，这时候PCA就能计算出最多min(样本数-1, 特征数)个主成分，这时候设置n_components=2就会得到你预期的(N,2)形状（N是样本数）。

总结一下你遇到的问题根源：

• 单样本数据无法支撑PCA提取多个主成分，因为没有足够的样本差异来计算不同的主成分方向。
• sklearn的PCA会在这种场景下自动调整输出维度，最终返回1维结果，所以你看到的形状是(1,1)。

要得到(1,2)的输出，你需要给PCA输入至少2个样本的数据，这样它才有足够的信息来提取2个独立的主成分。

内容的提问来源于stack exchange，提问作者april