pca前必须标准化，否则量纲差异会导致结果失真；选维应基于累计方差≥95%而非固定2维；主成分贡献需结合系数绝对值与业务常识解读；务必保存scaler并保留特征名以保障可解释性与线上一致性。
PCA前必须做标准化，否则结果失效
原始特征量纲不一致（比如身高用厘米、收入用万元）时，PCA会天然偏向方差大的特征——不是因为它们业务重要，只是单位大。不标准化就直接跑 PCA，得到的主成分往往和业务逻辑完全脱节。
正确做法是始终用 StandardScaler 先处理：
-
X_scaled = StandardScaler().fit_transform(X)，不能只用transform而漏掉fit - 如果后续要部署模型，记得保存
scaler对象，对新数据做同样transform - 分类变量或已编码的 dummy 变量一般不参与标准化；但若混在数值特征中，需提前分离
选多少维？别硬设 n_components=2
写死 n_components=2 只适合画图，实际业务中你要回答“保留 95% 方差需要几个主成分”——这直接关系到下游模型能否稳定复现。
推荐分两步走：
- 先跑全维度：
pca_full = PCA().fit(X_scaled)，再看累计方差：np.cumsum(pca_full.explained_variance_ratio_) - 找第一个 ≥0.95 的索引，就是最小安全维度；例如
np.argmax(np.cumsum(...) >= 0.95) + 1 - 如果业务上明确要求解释性（如向风控同事说明），宁可多留 1–2 维，也别卡在 0.949
如何把主成分映射回原始业务特征
pca.components_ 是核心线索：它每一行对应一个主成分，每一列对应原始特征的线性系数。绝对值越大，说明该原始特征对该主成分贡献越强。
想定位关键业务特征，可以这样操作：
- 取第一主成分（
pca.components_[0, :]），按系数绝对值排序：np.argsort(np.abs(pca.components_[0, :]))[::-1] - 结合原始列名，输出 top-3 影响最大的字段，例如：
['income_log', 'age', 'debt_ratio'] - 注意：系数正负代表方向（正相关/负相关），业务解读时不能只看大小，得结合领域常识判断
PCA之后千万别丢掉原始特征名和 scaler
很多人在 pipeline 里做完 PCA 就直接喂给模型，结果上线后发现新数据预测漂移——问题常出在两个地方：
- 没保存
scaler，导致线上transform用的是训练集均值/标准差，但新数据分布已变 - 降维后特征变成
pc1,pc2这类无意义名称，调试时无法追溯哪一列异常波动 - 建议封装成函数，返回
X_pca同时附带列名列表：[f'PC{i+1}' for i in range(X_pca.shape[1])]
真正难的不是跑通代码，而是让 PCA 的每一步都能被业务方看懂、能回溯、能解释。系数矩阵、方差曲线、标准化参数，三者缺一不可。
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！
