sklearn.PCA fit 内存爆掉主因是 svd_solver='auto' 在小样本时切为 'full'，强制计算 n_features×n_features 协方差矩阵，即使仅100维也占数GB内存。
sklearn.PCA 为什么 fit 时内存爆掉
百万级客户做 PCA，fit() 直接 OOM，不是数据量大得离谱，而是默认用 svd_solver='auto' 在小样本场景下偷偷切到 'full'，把整个协方差矩阵（n_features × n_features）全算出来——哪怕你只有 100 个特征，这步也占几 GB 内存；更糟的是，如果样本数 'full' 根本跑不起来。
- 强制指定
svd_solver='arpack'或'randomized'：前者适合 n_components 远小于 min(n_samples, n_features)，后者对超大规模更稳，且支持稀疏输入 - 先用
StandardScaler归一化，但别用fit_transform(X)一次性加载全部数据——改用partial_fit分批拟合，或直接算均值/标准差再广播减除 - 特征维度真到上千？先用
VarianceThreshold删掉方差为 0 或极低的列，省下 10%～30% 内存和计算量
transform 后的主成分怎么对应原始字段
PCA 降维后得到的是正交向量空间里的坐标，components_ 矩阵才是关键桥梁：每一行是第 i 个主成分在原始特征上的权重，绝对值越大，说明该原始字段对该主成分贡献越强。但别直接看 raw 数值——它没归一化，得结合 explained_variance_ratio_ 看解释力。
- 用
np.abs(pca.components_[0])排序取 top 10，就能知道第一主成分主要由哪些原始字段驱动（比如'login_freq_7d'、'avg_order_amt'权重最高） - 别拿
components_做业务解释时忽略符号：负权重意味着该字段与主成分呈反向关系（如'days_since_last_purchase'权重为负 → 主成分值越高，代表“最近越常购买”） - 如果原始字段含类别型编码（如 one-hot 后的
'city_beijing'、'city_shanghai'），它们会拉低单个主成分的可读性，建议 PCA 前只保留数值型字段，或对类别型做 target encoding 后再进
分群时用 PCA 后的前 2 维画图靠谱吗
用 pca.transform(X)[:, :2] 画散点图看聚类趋势，很直观，但容易误判——前两维累计解释方差可能才 35%，剩下 65% 的结构信息全丢了。尤其当客户行为存在明显分层（如高价值 vs 长尾用户在第 3–5 主成分上才分离），二维图里就是一堆糊在一起的点。
- 务必打印
pca.explained_variance_ratio_.cumsum()，确认前 k 维是否 ≥ 0.7；百万级客户常见情况是需要 8～15 维才能达到这个阈值 - 画图不是为了替代聚类，而是验证：如果 DBSCAN 或 KMeans 在 10 维 PCA 结果上聚出 5 类，那就在前 2 维投影里给每类标不同颜色，看是否有大致分离趋势——有，说明降维没严重扭曲结构；没，就得回头调参或换特征
- 别用 PCA 后的结果直接喂给 KMeans 做初始化（如
kmeans++），因为 PCA 改变了距离度量，欧氏距离在新空间里已不代表原始空间的相似性
增量更新客户向量时 PCA 怎么保持一致
每天新增几千客户，想复用昨天训练好的 PCA 模型做 transform，但发现结果漂移——问题不在 PCA 本身，而在于你没保存当初 fit 时用的 StandardScaler 参数（mean_ 和 scale_），新数据用错均值/标准差中心化，后面 transform 全乱。
立即学习“Python免费学习笔记（深入）”；
-
PCA本身不保存 scaler，必须显式 picklescaler和pca两个对象，且保证新数据走完全相同的预处理流水线 - 线上服务中，避免用
scaler.fit_transform()处理单条新客户；改用scaler.transform()，否则每次都会重算全局统计量 - 如果客户画像字段随时间缓慢漂移（比如平均订单额逐年上涨），一年后原 scaler 的
mean_可能失效，需定期用最近 30 天数据重拟合 scaler（但 pca.components_ 一般不用重训，除非特征体系大改）
真正麻烦的从来不是跑通 PCA，而是确保从数据清洗、标准化、降维到分群的每一步，参数和逻辑都钉死在版本里——少一个 scaler 的序列化，线上模型输出就可能变成随机噪声。
