主成分分析（Principal Component Analysis, PCA）是一种无监督降维方法：把多个可能相关的变量，重新组合成少数几个互不相关的新变量，用尽量少的信息损失概括原始数据。新变量叫主成分（principal components）。
它的做法分三步。第一，把各列标准化，让量纲不同的特征可以比较。第二，找数据分布中方差最大的方向，作为第一主成分；再找与它正交（orthogonal，即不相关）且方差次大的方向，作为第二主成分，依次类推。第三，只保留前 k 个方向，把每条数据投影上去，就得到降维后的表示。
打个比方：一群人的身高、体重、臂展、腿长往往高度相关。你要用两个数字描述他们，随机挑两项会丢信息。更好的办法是造两把“综合尺子”：第一把尽量拉开人与人之间的差异，比如“整体骨架大小”；第二把与第一把垂直，继续拉开剩余差异，比如“胖瘦比例”。PCA 找的就是这两把尺子。方差越大，说明这个方向承载的个体差异越多，越值得保留。
它常和几个概念混在一起：
| 对比 | 是否用标签 | 输出 | 典型用途 |
|---|---|---|---|
| PCA | 否 | 新的正交综合特征 | 降维、压缩、去噪 |
| 线性回归 | 是 | 预测值 | 预测、解释 |
| 特征选择 | 否 | 原始特征子集 | 保留可解释性 |
| t-SNE / UMAP | 否 | 低维嵌入 | 可视化探索 |
关键点在于：主成分是数学上方差最大的方向，未必对应可解释的真实特征。第一主成分常被事后命名为“综合实力”或“用户活跃度”，但它可能是身高、体重、收入、点击率的线性组合，权重符号也未必有物理含义。特征量纲变了、样本换了，方向都可能旋转。所以别把主成分当“发现了某个真实因子”——那是因子分析（factor analysis）的目标之一，并且带有额外模型假设。
对从业者，PCA 适合做预处理：去噪、压缩、缓解多重共线性、加速下游模型。实践上先标准化，用解释方差比（explained variance ratio）选维度，注意它对异常值敏感，因为方差会被极端值主导；需要可解释性时慎用。对普通人，推荐系统、图像压缩、数据可视化里都有它的影子；“第一主成分解释了六成差异”只说明一个综合分数概括了六成波动，不代表这个分数就是某个真实指标。
具体工具的参数与接口以官方文档为准。