NumPy 的 reshape(-1) 和 flatten() 不是统计降维，仅是数组形状变换：reshape(-1) 返回视图或副本以拉平数组，flatten() 总返回新副本，二者均不丢失信息、不压缩特征、不建模，仅用于预处理；真正降维需用 sklearn.PCA（须先标准化）等算法。
NumPy 本身不提供 PCA、t-SNE 等统计降维能力，它只负责数组形状变换和基础线性代数运算；真要“降维”得靠 sklearn 或手写 SVD/特征值分解 —— 但你用 np.reshape、np.squeeze、np.ravel 等做的只是“改 shape”，不是“提取主成分”。
numpy.reshape(-1) 和 flatten() 是什么降维？
它们只是重新解释内存布局，把高维数组拉成一维，不丢信息、不压缩、不建模。适合预处理或临时展平，比如喂给全连接层前做 reshape(-1, 784)。
-
reshape(-1)：返回视图（view）或副本（copy），取决于是否连续；不拷贝数据时更快 -
flatten()：总是返回新副本，改它不影响原数组 -
ravel()：优先返回视图，内存不连续时才拷贝；比flatten更轻量 - 错误现象：
reshape报ValueError: cannot reshape array of size X into shape Y，说明总元素数不匹配
想真正压缩特征维度？必须用 sklearn.PCA + StandardScaler
PCA 不是 NumPy 函数，但依赖 NumPy 数组作为输入。跳过标准化直接喂原始数据进 PCA，结果会严重失真 —— 因为不同特征量纲差异大，方差大的特征会主导主成分。
- 必须先用
StandardScaler做fit_transform，再传给PCA -
n_components=0.95比写死数字更鲁棒，表示保留 95% 累计方差 - 别在测试集上重复
fitStandardScaler或PCA，要用训练集 fit 好的实例去transform - 示例关键行：
from sklearn.preprocessing import StandardScaler<br>from sklearn.decomposition import PCA<br>scaler = StandardScaler()<br>X_scaled = scaler.fit_transform(X_train)<br>pca = PCA(n_components=0.95)<br>X_pca = pca.fit_transform(X_scaled)
为什么不能只用 numpy.cov + eig 计算 PCA？
可以，但极易出错：协方差矩阵维度反了、没中心化、特征向量排序错、没选最大 k 个特征值对应向量 —— 而 sklearn.PCA 底层用的是 SVD，数值更稳定，还自动处理中心化。
-
np.cov(X, rowvar=False)才对（默认rowvar=True会把每行当一个变量，常见误用） - 手动实现需显式减均值：
X_centered = X - np.mean(X, axis=0) - SVD 比特征值分解更适合高维小样本（如 1000 样本 × 10000 特征），
sklearn默认走这条路 - 如果你坚持手写，别跳过验证：
np.allclose(X_reconstructed, X_centered, atol=1e-6)
真正容易被忽略的点：降维不是万能解药。PCA 对类别不平衡数据可能抹掉少数类结构；t-SNE 结果不可复现（random_state 必须固定）；UMAP 的 n_neighbors 参数对聚类形态影响极大——这些都不是 NumPy 能控制的，得看算法原理和场景约束。
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！
