必须做。pca对特征量纲极度敏感，sklearn.pca默认不标准化，若输入特征单位差异大（如身高/收入/年龄），主成分会严重偏向方差大的变量，导致降维失效；正确做法是先用standardscaler等预处理再fit()。
PCA.fit() 之前必须做标准化吗？
必须做。PCA 对特征量纲极度敏感，sklearn.decomposition.PCA 默认不执行标准化，如果输入特征单位差异大（比如身高用米、收入用万元、年龄用岁），主成分会严重偏向方差大的变量，导致降维失效。
正确做法是先用 StandardScaler 或 MinMaxScaler 处理数据，再送入 fit()：
from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA <p>scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # X 是原始 ndarray 或 DataFrame pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled)</p>
-
StandardScaler更常用，让每列均值为 0、方差为 1 - 若特征本身已同量纲（如全是像素灰度值 0–255），可跳过，但需主动确认，不能默认跳过
- 切忌在训练集上用
fit_transform，在测试集上只用transform—— 否则信息泄露
如何选择 n_components 参数？
n_components 不只是“想要几个维度”，它直接决定保留多少方差比例。硬写数字（如 n_components=3）容易欠拟合或冗余；推荐用方差解释率控制：
pca = PCA(n_components=0.95) # 保留累计方差 ≥ 95% 的主成分 X_pca = pca.fit_transform(X_scaled) print(pca.n_components_) # 实际选了几个，比如 12
- 取值可以是整数（指定维度数）、小数（指定最小方差占比）、
None（保留全部，用于查看 explained_variance_ratio_） - 用
pca.explained_variance_ratio_查看各主成分贡献率，cumsum()累计后画图能直观判断拐点 - 在高维稀疏数据（如文本 TF-IDF）上，
n_components过大会显著拖慢fit()，建议从 0.8 开始试
PCA.transform() 报错 “X has X features, but PCA was fitted with Y features” 怎么办？
这是最常见运行时错误，本质是测试数据列数与训练时不一致。不是维度不匹配，而是列顺序、列缺失或列名变更导致的特征数量错位。
- 确保训练和预测用的是同一套列：用
df.columns或X.shape[1]显式比对 - 如果用
Pandas.DataFrame，别在中间插入/删除列；更稳妥的做法是用scaler和pca的feature_names_in_属性校验（>=1.2 版本支持） - 避免用
dropna()或fillna()改变行数后再传给transform()—— 行数不影响，列数才关键 - Pipeline 可规避该问题：
make_pipeline(StandardScaler(), PCA())能保证前后步骤输入输出严格对齐
PCA 结果怎么可视化？要注意什么？
二维投影最常用，但直接画 X_pca[:, 0] vs X_pca[:, 1] 只是第一步。真正有用的信息藏在坐标轴含义里：
- 横纵轴不是原始特征，而是线性组合，可用
pca.components_[0, :]查看第一主成分权重，结合原始特征名解读方向意义 - 若标签
y存在，用不同颜色/形状区分类别，但注意：PCA 不考虑类别信息，聚类效果好≠分类效果好 - 别忽略缩放——matplotlib 默认等比例绘图（
plt.axis('equal')），否则扭曲几何关系 - 对高维结果做 t-SNE 或 UMAP 再降维到 2D，往往比直接 PCA 更利于观察簇结构，但那是另一套流程
实际项目中，最容易被跳过的其实是标准化这一步，以及训练/预测阶段特征列的一致性校验。这两处出错，模型可能跑通但结果完全不可信。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
