4. PCA的数学基础：特征值与特征向量

咱们在上一个章节聊了PCA的整体流程——从数据预处理到降维可视化。但说实话，很多人用了半天PCA，对背后那堆数学却是一知半解。你可能会问：「不就是scikit-learn调个.fit_transform()吗？我非得搞懂特征向量是什么？」

嗯，这里我特别想强调一句：不懂特征值和特征向量，你根本判断不了PCA图的可信度。我在几个转录组项目里都遇到过类似的问题——明明画出了漂亮的PCA图，但换个批次之后就全变了样。后来一查，原来是特征值太小的主成分被强行拉进来渲染图，整个分析在画「噪声」。

所以这一节，咱们就把那层数学窗户纸捅破。我尽量不堆公式，把直觉讲明白。

4.1 一个形象理解：PCA在做什么？

你可以把PCA想象成这样一个过程——你在三维空间里有一团数据点，像一堆飘浮的云。你想找一个角度去看这团云，使得你看到的「投影」最分散、信息损失最少。

• 找方向：找出数据方差最大的方向
• 转坐标系：把数据旋转到这些方向上
• 降维：只保留最重要的几个新坐标轴

特征向量，就是新坐标轴的方向。特征值，就是这个方向上数据分散程度的量化。说白了，特征值越大，这个方向承载的信息就越多。

4.2 从协方差矩阵到特征分解

具体怎么找到这些方向？PCA的标准步骤是计算数据的协方差矩阵，然后对这个矩阵做特征分解。

你想想看，协方差矩阵描述的是变量之间的相关性。对角线上是各个变量的方差，非对角线上是协方差。我们要做的事，就是找一个变换，让这个矩阵在新的坐标系下尽可能「对角化」——让变量之间不再相关，并且方差集中到少数几个坐标轴上。

数学上，这就等价于求解：

A · v = λ · v

其中：
A = 协方差矩阵
v = 特征向量（方向）
λ = 特征值（该方向上的方差大小）

我记得第一次在R语言里手动算PCA时，看到这个等式没什么感觉。直到后来有一个单细胞数据集的样本标签一直聚不拢，我手动算了一遍特征值，才发现前三个主成分加起来的总解释方差不到30%——怪不得图是乱糟糟的一团。

4.3 特征值与贡献率的关系

在PCA结果的输出里，你经常会看到类似这样的表格：

主成分	特征值	方差贡献率	累积贡献率
PC1	4.52	0.45 (45%)	0.45
PC2	2.31	0.23 (23%)	0.68
PC3	1.18	0.12 (12%)	0.80
PC4	0.62	0.06 (6%)	0.86
PC5	0.41	0.04 (4%)	0.90

这个表格的生成逻辑就是把特征值标准化成百分比。每个特征值除以所有特征值的总和，就是对应的方差贡献率。

4.4 特征向量的方向有什么意义？

很多人在看PCA的loading向量（也就是特征向量）时会忽略一个细节：特征向量的正负号没有绝对意义。

什么意思呢？特征向量v和-v是同一个方向，只是指向相反。如果你两次运行PCA得到的结果符号相反，不要慌——这不代表结果不一致。真正重要的是基因在PC轴上的相对排序和载荷大小。

我曾经犯过一个错：在一个基因表达数据集的PCA结果里，看到PC1的loading全是负数，以为自己代码写错了。后来重算了三遍才发现，特征向量的符号翻转是正常的。嗯，从那以后，我再也不纠结符号了，只看基因在PC轴上的相对位置。

4.5 快速计算：用Python手撕特征值

为了让你更直观地理解，这里用一个简单例子演示特征分解的过程。我们用NumPy模拟一个基因表达矩阵：

import numpy as np
from sklearn.preprocessing import StandardScaler

# 模拟数据：10个样本，5个基因
np.random.seed(42)
data = np.random.randn(10, 5)

# 标准化（PCA必须做的步骤）
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

# 计算协方差矩阵
cov_matrix = np.cov(data_scaled, rowvar=False)

# 特征分解
eigenvalues, eigenvectors = np.linalg.eig(cov_matrix)

# 按特征值从大到小排序
idx = eigenvalues.argsort()[::-1]
eigenvalues_sorted = eigenvalues[idx]
eigenvectors_sorted = eigenvectors[:, idx]

print("特征值（排序后）:")
print(eigenvalues_sorted)

print("\n方差贡献率:")
explained_variance = eigenvalues_sorted / np.sum(eigenvalues_sorted)
print(explained_variance)

print("\n累积贡献率:")
print(np.cumsum(explained_variance))

跑完这段代码，你就能看到每个主成分的「重要性排名」。在我的项目中，当累积贡献率超过80%时，我才会认为前几个PC足以代表原始数据的主要结构。

4.6 本章小结：一张图讲清核心逻辑

下面这张图总结了从原始数据到特征值、特征向量的完整流动。你可以把它当作一种心法图，以后每次跑PCA前扫一眼，就能避免很多低级错误。

好了，到现在你应该能理解：特征值就是PCA图的「照妖镜」。一张PCA图好不好看是次要的，关键看它背后的特征值分布是否合理。如果前两个主成分的特征值加起来连总方差的50%都不到，那图上的任何「聚类」都可能是视觉巧合。