Scikit learn 改变数据帧位置后，主成分分析（PCA）解释的方差保持不变

我有一个数据框，其中a和B用于预测C

df = df[['A','B','C']]
array = df.values

X = array[:,0:-1]
Y = array[:,-1]

# Feature Importance
model = GradientBoostingClassifier()
model.fit(X, Y)
print ("Importance:")
print((model.feature_importances_)*100)


#PCA
pca = PCA(n_components=len(df.columns)-1)
fit = pca.fit(X)

print("Explained Variance")
print(fit.explained_variance_ratio_)

这张照片

Importance:
[ 53.37975706  46.62024294]
Explained Variance
[ 0.98358394  0.01641606]

然而，当我改变数据帧位置交换A和B时，只有重要性改变了，但解释差异仍然存在，为什么解释差异没有根据[0.01641606 0.98358394]改变

df = df[['B','A','C']]


Importance:
[ 46.40771024  53.59228976]
Explained Variance
[ 0.98358394  0.01641606]

---

解释的差异不涉及数据帧的A或B或任何列。它指的是主成分分析法确定的主成分，是一些列的线性组合。这些成分按方差递减的顺序排序，如下所示：

组件：阵列、形状（n个组件、n个特征） 特征空间中的主轴，表示数据中最大方差的方向。组件按解释的方差排序

已解释的变量：数组、形状（n个组件） 由每个选定组件解释的差异量。 等于X的协方差矩阵的最大特征值的n_分量

解释的方差比：数组、形状（n个分量） 每个选定组件解释的差异百分比

---

因此，功能的顺序不会影响返回的组件的顺序。它确实会影响数组

组件

，该矩阵可用于将主组件映射到特征空间。

谢谢Ivan，现在我想对要保留的重要特征进行排序的唯一方法是使用（model.feature\u importances）由于解释的差异并没有对我进行分类，如果你知道这些工具的实际用途，你可以用它们做很多事情。正如您所注意到的，PCA中没有Y参数，所以您的Y数据甚至没有被PCA使用。PCA不是基于X来预测Y。