qq_44794961的博客

详细到只有作者本人能看懂的SPSS逻辑回归育儿经

之前我以为主成分分析用协方差矩阵→散度矩阵，而fa用相关系数矩阵，这也是区别之一。但事实上先对数据进行标准化后，其协方差矩阵就是相关系数矩阵（忘了在哪看的了）。还有一点，fa的因子载荷矩阵是特征值开根号*特征向量，而pca的好像没开根号？继续学习了一下，大致可以认为，主成分分析是因子分析的前半部分。具体可见参考文献1：重点看文献1中关于两种分析方式的步骤，以及对于差异的总结。Fa就是在pca的基础上又做了因子旋转，因为pca所得出的几个主成分是不具有明确的现实意义的，只能说是几个主要成分的混合。而因

首先，最棒的参考文献是这篇：文献然后我们结合多篇文章来讲一讲：第一部分X是原始数据的矩阵，f是公共因子，也就是之后想要提取出来的因子，而特殊因子就是不去考虑的部分。那么，什么是因子载荷矩阵？百度百科：因子载荷 aij 的统计意义就是第i个变量与第 j 个公共因子的相关系数即表示 Xi 依赖 Fj 的份量（比重）。统计学术语称作权，心理学家将它叫做载荷，即表示第 i 个变量在第 j 个公共因子上的负荷，它反映了第 i 个变量在第 j 个公共因子上的相对重要性。基于此我们得到：1.第一行的元素分别

主成分分析法的一些笔记和理解（不断更新中）参考的是：https://microstrong.blog.youkuaiyun.com/article/details/806327791.对原文章3.1的解读PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标

参考https://blog.youkuaiyun.com/weixin_41843918/article/details/88621893data = {"价格":[10,20,40,60,10],"销量":[100,62,42,25,120]}data = pd.DataFrame(data)#情形一：print(data.loc[data["价格"] == 10])结果为： 价格 销量0 10 100 4 10 120 若是不想将整行都print出来，则可以改成：