Python：可以用多维向量进行PCA吗？

我想尝试使用描述进行PCA

是否可以对具有不同维度的数组执行相同的操作，如以下所示

X = np.array([[-1, -1], [-2, -1], [-3, -2, 3], [1, 1], [2, 1], [3, 2, 3]])

如果我尝试，会出现以下错误：

pca = PCA(n_components=2)
pca.fit(X)
ValueError: setting an array element with a sequence.

---

不，考虑到主成分分析的数学背景，这是不可能的。PCA是高维空间中的一种旋转。

你对X的定义有点滥用了NumPy。你最终会得到一个对象的数据类型，而不是一个整数数组。如果打印X的值，您会看到它是一个列表对象数组。我不清楚，也可能不知道在2元素子列表中，第三维度的值是什么。你应该清理你的数据，这样所有的维度都是一样的。我相信PCA和类似的方法都假设向量长度相等。相关的，你为什么要这么做？“我不知道有哪种声音分析方法是可取的。”马特尔说。我想对具有不同维度的数据进行降维，如上图所示，但降维是对长度相同的向量执行的。这个想法是将苹果与苹果进行比较，而不是将苹果与松鼠或椰子进行比较。为什么有些向量的维数比其他向量的维数少？我要说的是，Numpy中的任何东西都不能很好地处理这样的数组。这不仅仅是PCA。即使X+1也会引发异常。

pca = PCA(n_components=2)
pca.fit(X)
ValueError: setting an array element with a sequence.