Python sklearn pca的n_分量等于问题的特征数

当我没有设置n_components参数时，保留的组件数量等于数据帧的特征数量

如果未设置n_组件，则转换后的数据帧应该相同，但事实证明并非如此

为什么转换后的数据帧与原始数据帧不同

import pandas as pd
pca = PCA(random_state=seed)
pd1 = pd.DataFrame([[1,1,1],[2,2,2],[3,3,3]])
pca.fit(pd1)
print(pd1)
print(pca.transform(pd1))

输出为：

0  1  2
0  1  1  1
1  2  2  2
2  3  3  3
[[-1.73205081e+00 -1.11022302e-16  0.00000000e+00]
 [ 0.00000000e+00  0.00000000e+00  0.00000000e+00]
 [ 1.73205081e+00  1.11022302e-16  0.00000000e+00]]

文件中说

这就是为什么你的结果有三个部分

然后PCA将把你的数据转换到三个主轴上，在这三个主轴上方差最大且正交

要获得关于PCA作用的更多数学解释，请查看其他来源，如中的文档

这就是为什么你的结果有三个部分

然后PCA将把你的数据转换到三个主轴上，在这三个主轴上方差最大且正交

---

要获得关于PCA作用的更多数学解释，请检查其他来源，如

，因为sklearn应该提供不同的输出。。。这就是它的目的不？…因为sklearn应该提供不同的输出。。。这就是为什么不？。。。。

n_components == min(n_samples, n_features)