参数设置
数据由固定种子 LCG 加 Box-Muller 变换生成，相同参数总会得到相同点云。
散点图与主成分轴
灰色圆点＝数据点／白色×＝均值／红色箭头＝第 1 主轴（长度 √λ₁）／蓝色箭头＝第 2 主轴／绿色实线＝1σ 协方差椭圆
理论与主要公式
给定二维数据 X = {(x_i, y_i)}，先减去均值进行中心化，然后构造样本协方差矩阵。
2×2 协方差矩阵；σ_xx、σ_yy 为方差，σ_xy 为协方差：
$$C = \begin{bmatrix} \sigma_{xx} & \sigma_{xy} \\ \sigma_{xy} & \sigma_{yy} \end{bmatrix}, \quad \sigma_{xy} = \frac{1}{n-1}\sum_i (x_i-\bar{x})(y_i-\bar{y})$$
2×2 特征值的闭式解；T 为迹，D 为行列式：
$$\lambda_{1,2} = \frac{T \pm \sqrt{T^2 - 4D}}{2}, \quad T = \sigma_{xx}+\sigma_{yy}, \quad D = \sigma_{xx}\sigma_{yy} - \sigma_{xy}^2$$
第 i 主成分的贡献率（占总方差的比例）：
$$r_i = \frac{\lambda_i}{\lambda_1 + \lambda_2}$$
特征向量 $v_i$ 满足 $(C - \lambda_i I) v = 0$，指向数据的主要变化方向。第 1 主成分是方差最大的方向。
主成分分析模拟器是什么
🙋
PCA 经常听到，但到底在做什么？散点图上就只有两个箭头啊…
🎓
简单说，PCA 在寻找数据"最展开的方向"。把上面的相关系数 ρ 调到 0.8 看看——点云会变成右上斜的椭圆。那个伸长方向就是红色箭头，第 1 主成分（PC1）。它是数据中方差最大的轴。
🎓
是与第 1 主成分正交的第 2 主成分。二维数据最多只有 2 个主成分。看一下贡献率卡片——当 ρ=0.8, σ_x=2, σ_y=1 时，仅 PC1 就解释了约 94% 的总方差。这就是降维的威力。即使是 100 维的数据，靠前 2~3 个主成分常常就能解释 80% 以上。
🙋
把相关系数设为 0，箭头就贴着 x 轴和 y 轴了。这是自动的吗？
🎓
是的。当 ρ=0 且 σ_x ≠ σ_y 时，协方差矩阵是对角矩阵，特征向量就是标准坐标轴本身。PC1 指向方差较大的那个轴——σ_x=2, σ_y=1 时就是 x 轴方向。但如果 σ_x=σ_y 并且 ρ=0，矩阵就变成单位矩阵的常数倍，主成分方向变得不确定。这叫"退化"，本质上无法决定方向。
🎓
观察很敏锐。这就是抽样噪声。理论上 ρ=0.8, σ_x=2, σ_y=1 时 λ₁=4.69, λ₂=0.31，但 N 小时样本估计会抖。实务中常用经验是"样本数至少是变量数的 10 倍"。把 N 调到 200，样本估计就紧紧贴近理论值了。
常见问题
图像识别（特征脸的人脸识别）、自然语言处理（潜在语义分析）、金融工程（股票数据的主因子提取）、生物学（基因表达数据可视化）、品质管理（多元控制图）、机器学习预处理（降维、去噪）等，几乎所有需要处理高维相关数据的领域都会用到。它有一百多年的历史，是最基本、应用最广的多元分析方法。
数学上等价。对中心化数据矩阵做 SVD：X_c = U Σ V^T，V 的列就是主成分（特征向量），Σ²/(n-1) 的对角元素就是特征值。实现上不显式构造协方差矩阵的 SVD 实现更数值稳定，特别是变量数 p 大于样本数 n 时优势明显。scikit-learn 的 PCA 内部也使用 SVD。
把主成分得分除以 √λ_i，使所有主成分方差都为 1 的处理。结果数据像不相关的单位方差白噪声。用于独立成分分析（ICA）的预处理、高斯过程的预处理、深度学习输入归一化。但除以非常小的特征值会数值不稳定，所以通常会丢弃低于阈值的主成分，或加正则项（ε-whitening）。
先标准化（每个变量变为零均值、单位方差）再应用 PCA 是铁律。例如混合身高（cm）、体重（kg）、年龄（年）时，单纯因为身高数值大，PC1 就会被身高轴支配。标准化后所有变量以同等权重贡献。这叫"对相关矩阵做 PCA"，与"对协方差矩阵做 PCA"区分。物理单位相同的变量有时不需要标准化。
现实世界中的应用
图像识别（特征脸）：1990 年代由 Turk 和 Pentland 提出的"特征脸（Eigenfaces）"是 PCA 最著名的应用。把大量人脸图像作为高维向量集合并应用 PCA，上层主成分会表达"人脸的主要变化模式"（亮度、发型、表情等）。识别时把目标人脸投影到主成分坐标，按与注册人脸的距离判断。简单但在深度学习出现前是标准方法。
基因表达数据可视化：对微阵列或 RNA-seq 得到的数万维基因表达数据应用 PCA，可以把样本（患者、组织、条件）可视化为二三维散点图。癌症亚型分类、药物反应差异比较等是标准工具。生物信息学论文中 PCA 散点图常常作为"第一张图"出现。
金融工程的因子模型：对股票收益的协方差矩阵做 PCA，第 1 主成分常常表达"市场整体走向"，第 2 主成分表达"行业相对变化"，第 3 主成分表达"规模效应"等。是投资组合优化和风险建模的基础。
品质管理与异常检测：对制造过程的多元传感器数据应用 PCA，仅保留上层主成分作为"正常状态"模型。新数据进来时，主成分空间内的距离（T² 统计量）或被丢弃主成分上的投影量（Q 统计量）变大就判定为"异常"。半导体制造、化工厂已实用化。
常见误解与注意事项
最常见的误解是"主成分一定有物理意义"的想法。主成分是数学上以"方差最大方向"决定的，未必有可解释的意义。例如客户问卷的第 1 主成分有时能解释为"总满意度"、第 2 主成分为"价格 vs 品质权衡"，但也有解释不通的情况。务必养成查看载荷（对每个原变量的系数）、把握是什么线性组合的习惯。
其次常见的是用 PCA 处理非线性结构的失败。PCA 是线性方法，数据按曲面（如瑞士卷状）分布时主成分轴无法捕捉。在模拟器中把 ρ 调近 0 并使 σ_x ≈ σ_y，主成分方向就会变得不确定。同样，对环状或复杂簇结构的数据，应考虑核 PCA、t-SNE、UMAP、自编码器等非线性方法。"先 PCA 降维再机器学习"作为基线优秀但并非万能。
最后，不要低估"样本值与理论值之差"。即使在本模拟器中，N=40 的有限样本计算的特征值与总体理论值（λ₁=4.69, λ₂=0.31）也会偏差数个百分点。N=10 时偏差更大。实务中判断"保留几个主成分够"、"观测到的贡献率是否统计显著"时，建议用自助法（bootstrap）或交叉验证评估特征值的置信区间。样本数少时的 PCA 重要的是不仅报告点估计，也要一同报告不确定性。