简介：数据降维是机器学习和数据分析中常用的预处理手段，主成分分析（PCA）通过协方差矩阵的特征值分解，将高维数据映射到方差最大的低维空间，在保留核心信息的同时消除特征间的相关性。对于使用MATLAB的工程师和学生而言，理解PCA的原理与实现细节，远比直接调用内置函数更重要。本文从标准化、特征值分解到贡献率计算层层拆解，结合一份可直接运行的带注释MATLAB源码和模拟例题数据，帮助你清晰掌握每个步骤的数学含义与代码逻辑。同时介绍特征向量符号统一、重构误差验证等避坑技巧，并展示载荷图与双标图的可视化方法，适用于论文写作、特征压缩和数据可视化等场景。

1. 主成分分析MATLAB源代码：能直接跑通、能看懂每行含义的降维方案

如果你在找“主成分分析matlab源代码（带注释，带例题数据）”，大概率不是想看PCA的数学推导，而是手里有一批多维数据，想降维做可视化、去相关性、压缩特征，或者写论文时需要一张贡献率图和一套可复现的处理流程。这套代码的价值不在于“实现了PCA”，而在于把协方差矩阵、特征值分解、投影矩阵、贡献率计算这些环节拆成带注释的MATLAB脚本，并配上一份可以直接喂进去跑的例题数据——拿到手就能看到每一行在算什么，改哪一行就能换自己的数据。

我见过太多人卡在同一个地方：用MATLAB内置的pca函数三行跑完，但说不清输出的score、coeff、latent分别代表什么，也不知道为什么要对数据先做标准化。这套源代码就是用来解决这个问题的——它不追求极简，而是把每个中间量都打印出来、写在注释里。适合两类人：一是课程作业或论文需要给出计算过程的学生，二是做数据分析时想对PCA结果有完全控制权的工程师，而不是单纯拿黑匣子输出。

下面从原理落地、代码结构、例题数据、避坑、验证到可视化技巧，一层层把这条路径走完。

2. PCA在MATLAB中的落地：为什么先标准化、为什么用特征值分解

这一章不是讲数学推导，而是回答你在写代码时必须做的三个决定：数据要不要标准化、用eig还是svd、降成几维。这三个决定直接决定你的代码能不能复现、结果能不能解释。

2.1 标准化不是可选项：量纲差异会直接扭曲主方向

PCA的核心目标是找到方差最大的投影方向。问题在于，“方差”这个概念对量纲敏感。举个例子，如果一份数据里包含身高（单位厘米，数值在160-190）和体重（单位千克，数值在50-90），身高的方差天然比体重大很多，PCA算出来的第一主成分会被身高的数值尺度主导，而不是被数据的真实结构主导。这不是PCA的缺陷，而是输入数据没有标准化时的必然结果。

所以，凡是你看到一套PCA代码里没有做标准化这一步，只对原始数据直接算协方差矩阵，那这套代码处理量纲差异大的数据时基本是翻车的。正确的做法是：先对每列数据减去均值、除以标准差，把每一维变成零均值、单位方差的标准化数据，再在这个基础上计算协方差矩阵。标准化之后，协方差矩阵就变成了相关系数矩阵，每个特征对主方向的贡献才是等权重的。

% 标准化数据：每列减去均值，除以标准差 mu = mean(X); % 1 x p 均值向量 sigma = std(X); % 1 x p 标准差向量 X_std = (X - mu) ./ sigma; % n x p 标准化后的数据

代码逻辑说明：X是原始数据矩阵，每行一个样本，每列一个特征。mean(X)得到每个特征的均值，std(X)得到每个特征的标准差，两者做逐元素运算后，X_std的每一列都是均值为0、标准差为1的标准化数据。参数说明：这里的std默认使用N-1作为分母，对应样本标准差；如果你的数据是总体数据而非抽样样本，可以用std(X, 1)改用N作为分母，这会影响后续特征值的绝对大小，但不会改变主成分的方向。我一般保持默认的N-1，因为大部分场景下数据都是样本。

2.2 eig和svd的选择：结果等价，但代码逻辑不同

计算主成分有两条路：直接对协方差矩阵做特征值分解（eig），或者对数据矩阵本身做奇异值分解（svd）。两条路在数学上等价，但代码写起来差别很大。简单说：eig的路径更直观，适合教学和调试，因为协方差矩阵是实实在在的p×p方阵，特征值就是各主成分解释的方差，直接对应贡献率；svd的路径更数值稳定，适合高维数据，但需要多一步把奇异值和特征值做换算。

这套带注释的源代码用的是eig路径，原因很简单：每一行代码都能对应到一个数学概念，协方差矩阵、特征向量、特征值、投影，读者调试时心里有数。如果你数据维度很高（比如p > 1000），我建议自己改成svd路径，否则eig在极端情况下的数值稳定性会让你想摔键盘。

% 计算协方差矩阵 C = cov(X_std); % p x p 协方差矩阵 % 特征值分解 [eigvec, eigval] = eig(C); % eigvec的每列是一个特征向量，eigval对角线为特征值 % 提取对角线特征值并按降序排序 latent = diag(eigval); [latent_sorted, idx] = sort(latent, 'descend'); eigvec_sorted = eigvec(:, idx);

代码逻辑说明：cov(X_std)算的是标准化数据的协方差矩阵，由于数据已标准化，这个矩阵实际上就是相关系数矩阵。eig(C)返回两个矩阵，eigvec的每一列是一个特征向量，eigval是一个对角矩阵、对角线上的元素就是特征值。注意，eig返回的特征值不保证按大小排序，所以需要sort做一个降序排列，同时把特征向量的列顺序也对应调整，否则后面投影时主成分的顺序是乱的。参数说明：sort的第二个参数'descend'表示降序，idx保留了原始列位置到排序后位置的映射关系，这一步遗漏的话，贡献率图和投影坐标全都会对不上。

2.3 降维维度怎么定：累计贡献率还是业务解释力

代码写完之后，下一个实际问题就是保留几个主成分。最常见的做法是看累计贡献率，一般保留到累计贡献率达到80%或85%。但纯看百分比有个坑：如果你的业务场景需要后续做回归、聚类，或者你需要在某个主成分上做物理意义的解读，那么即使第3个主成分贡献率只有10%，只要它和某个业务标签有强相关性，你也应该把它保留下来。

% 计算每个主成分的贡献率和累计贡献率 explained = latent_sorted / sum(latent_sorted) * 100; % 各主成分贡献率(%) cum_explained = cumsum(explained); % 累计贡献率(%)

代码逻辑说明：因为特征值的大小直接代表该方向解释的方差大小，所以把每个特征值除以特征值总和，乘以100就是百分比贡献率。cumsum做的是累计求和，得到第1个主成分到前k个主成分的累计贡献率。参数说明：这里没有手动指定保留几个，而是把贡献率全部算出来，后续可以自己设定阈值去截取。注意，特征值总和等于标准化后数据的总体方差（等于p，因为每个特征标准化后方差为1），所以sum(latent_sorted)实际上等于p，这个关系可以用来验证你的标准化和分解步骤是否正确。

3. 带注释的MATLAB源代码：完整脚本、调用方式与例题数据说明

到了这一章，直接给出一份能跑通的完整代码。这份代码的设计原则是：每个中间结果都有变量输出，每个关键步骤有注释说明为什么这样做，而不是只注释“这一步计算协方差矩阵”这种废话。例题数据放在代码下方，可以直接复制进MATLAB跑。

3.1 主函数脚本：从数据读入到投影输出的完整流程

%% 主成分分析完整实现（带注释） % 输入：X为n行p列的数据矩阵，每行一个样本，每列一个特征 % 输出：score为投影后的主成分得分，coeff为特征向量矩阵，latent为特征值 function [score, coeff, latent, explained] = my_pca(X, num_components) % 步骤1：数据标准化 % 为什么：PCA对量纲敏感，标准化可以消除不同特征的尺度差异 mu = mean(X); sigma = std(X); X_std = (X - mu) ./ sigma; % 步骤2：计算协方差矩阵 % 为什么：标准化后协方差矩阵等于相关系数矩阵，体现了特征间的线性相关性 C = cov(X_std); % 步骤3：特征值分解 % 为什么：特征向量给出主方向，特征值给出该方向解释的方差大小 [eigvec, eigval] = eig(C); latent = diag(eigval); % 步骤4：按特征值降序排列 % 为什么：eig函数不保证顺序，必须先排序才能按重要性取前k个 [latent_sorted, idx] = sort(latent, 'descend'); coeff = eigvec(:, idx); % 步骤5：计算贡献率 explained = latent_sorted / sum(latent_sorted) * 100; % 步骤6：投影到主成分空间 % score的每一列是一个主成分，每一行对应一个样本在新坐标系下的坐标 score = X_std * coeff; % 步骤7：按指定维度截取 if nargin < 2 num_components = size(X, 2); end score = score(:, 1:num_components); coeff = coeff(:, 1:num_components); end

代码逻辑说明：这份代码把PCA拆成了7个步骤，每个步骤的变量都可以在MATLAB工作区里检查。score的维度是n×k，coeff的维度是p×k，其中k是保留的主成分个数。注意步骤6用的是矩阵乘法X_std * coeff，不是逐元素乘法，这个计算实际是把每个样本向量投影到特征向量张成的子空间。参数说明：num_components控制输出维度，默认保留全部分量。在调用时，如果你只想要前两维做可视化，就传2，比如[score, coeff, latent, explained] = my_pca(X, 2)。

3.2 例题数据：一组带业务含义的模拟数据及调用示例

例题数据我常用一份模拟的“学生考试成绩与学习行为”数据，它包含15个样本、4个特征：课堂出勤率、课后练习完成度、实验操作得分、期末笔试成绩。这份数据的特点是第一维和第四维高度正相关，第二维和第三维也有相关性——人造出相关结构，才能看出PCA压缩效果。

%% 例题数据：学生成绩与学习行为（15个样本，4个特征） % 每行：出勤率(%), 练习完成度(%), 实验得分(满分100), 笔试成绩(满分100) X = [... 92 85 78 88; ... 88 90 82 85; ... 95 92 88 94; ... 78 70 65 72; ... 84 88 80 86; ... 98 95 90 96; ... 65 60 58 62; ... 80 82 75 78; ... 90 91 85 92; ... 70 68 62 70; ... 86 84 79 83; ... 75 72 68 71; ... 96 93 87 95; ... 82 86 78 84; ... 60 55 50 58]; %% 调用主函数，保留前2个主成分 [score, coeff, latent, explained] = my_pca(X, 2); %% 输出结果 disp('贡献率(%)：'); disp(explained); disp('累计贡献率(%)：'); disp(cumsum(explained)); disp('前2个主成分的投影坐标（每行一个样本）：'); disp(score);

代码逻辑说明：数据是4列，意味着最多有4个主成分。前2个主成分的累计贡献率通常超过85%，达到降到2维做可视化的条件。调用时传了2，所以score是一个15×2的矩阵，每一行对应一个学生的二维坐标，可以直接用scatter(score(:,1), score(:,2))画散点图观察样本分布。参数说明：X矩阵的分号是行间隔，空格是列间隔，注意保证每行数据个数一致。如果你要用自己的数据，只需要把X替换成你自己的n×p矩阵，不需要改任何后续代码。

4. PCA代码避坑：标准化顺序、特征向量符号、数据维度方向的常见错误

这一章专门写踩坑。PCA的代码看起来短，但实际操作中翻车点极其密集。每一条都是我见过真实发生的问题，按照“现象 → 原因 → 解决”来梳理。

4.1 特征向量符号方向不稳定：两次运行结果镜像翻转

现象：同一份数据，代码一行没改，第一次运行出来第一主成分的系数是正的，第二次运行出来变成了负的，投影坐标的散点图左右镜像翻转。这不是代码bug，但如果你没有意识到这一点，可能会得出完全相反的商业结论。

原因：特征值分解得到的特征向量，其符号方向本来就是不确定的。eig函数返回的特征向量乘以-1仍然是特征向量，特征值不变。MATLAB的线性代数库在某些版本或某些矩阵元素顺序下，可能随机返回符号方向不同的特征向量。

解决：在排序之后、投影之前，加一个符号统一处理逻辑——检查每个特征向量第一个绝对值最大的元素，强制让符号为正。这样无论底层库怎么变，输出结果都是一致的，论文里也能交代清楚。

% 符号统一：确保每个特征向量的最大绝对值分量为正 for i = 1:size(coeff, 2) [~, max_idx] = max(abs(coeff(:, i))); if coeff(max_idx, i) < 0 coeff(:, i) = -coeff(:, i); end end

代码逻辑说明：循环遍历每个特征向量，找到该向量中绝对值最大的那个元素的位置，如果这个元素是负的，就把整个特征向量取反。这样做的依据是：特征向量乘以-1不改变其作为子空间基的性质，但能让结果的符号方向固定下来。参数说明：max_idx是该特征向量中绝对值最大元素的行位置。注意这只影响方向和投影坐标的正负号，不影响特征值和贡献率。

4.2 忘记标准化导致贡献率虚高或主成分失真

现象：有同学直接对原始数据做协方差矩阵，跑出来第一主成分贡献率高达95%以上，看起来效果极好，但画出来的散点图所有的点基本都分布在一条对角线上，毫无结构可言。原因和解决：这就是量纲差异导致的。最大的那个特征列数值范围远大于其他特征，PCA的第一主成分几乎完全被它带走。解决方法是回到2.1节：所有特征都必须先经过标准化，再算协方差矩阵。事后检查技巧：如果第一主成分的特征向量系数里有一个绝对值接近1、其余接近0，那基本可以断定是没做标准化。

4.3 数据矩阵维度方向搞反：每行是样本还是特征

现象：写代码时矩阵维度方向弄反，PCA跑出来的结果看起来合理——贡献率正常、散点图能看，但投影坐标的含义完全错了，每一行对应的不是样本，而是特征。原因：很多人读数据时习惯把每列当作一个样本——尤其是从表格软件复制数据时，列方向更容易贴反。解决：在函数入口加一个维度检查，如果行数大于列数则按样本×特征处理，否则转置。

% 维度检查：确保每个样本占一行，每个特征占一列 if size(X, 1) < size(X, 2) disp('检测到数据维度可能反转，已自动转置'); X = X'; end

代码逻辑说明：这个检查逻辑简单，但极其有效。如果行数比列数少，多半是样本被放到了列上。转置之后继续执行后续代码即可。参数说明：size(X, 1)是行数，size(X, 2)是列数。这个判断适用于通常情况，如果你确实有“样本数少于特征数”的数据，也能落在这个判断里正确执行，因为它已经自动转置了。

4.4 特征值排序后特征向量没同步排序，投影结果错乱

现象：投影出来的散点图第一维方差确实最大，但第二维方差急剧缩小，画出来的图是一条线。原因：很多人排序只用sort(latent)形成了新的特征值数组，但coeff矩阵的列没有跟着同步重排。结果就是投影时用的特征向量顺序和特征值顺序对不上。解决：永远用[sorted_val, idx] = sort(latent, 'descend')这种带第二个输出参数的写法，然后用idx去索引特征向量矩阵。这一点在2.2节的代码里我已经显式处理过，但自己在改代码时极易遗漏。

4.5 用内置pca函数和这套脚本结果不一致时的排查思路

现象：两套代码跑出的score坐标一模一样，但coeff矩阵某些列的符号相反；或者贡献率完全一致，但coeff和score都不同。原因：内置pca函数内部还会对数据做中心化并默认使用SVD路径，数值上和你手写的eig路径会有微小差异；符号方向也不保证和你的统一逻辑一致。解决：对比时不要盯coeff的符号，要盯投影后数据的相对位置。运行一次内置pca，用gscatter画分组散点图，和你的手写代码散点图对比：只要每个样本点的相对位置一致（允许镜像翻转），就说明你的代码正确。如果相对位置不一致，再检查你的标准化和排序步骤。

5. 验证PCA结果正确性的三个方法：特征值之和、重构误差、与内置函数交叉比对

5.1 特征值总和等于数据总方差

PCA一个不太为人注意的数学事实是：协方差矩阵的迹（对角线元素之和）等于所有特征值之和，而标准化后的数据协方差矩阵的迹等于p，p是特征数量。这个关系是内建验证逻辑：如果你计算sum(latent_sorted)，得到的结果应该非常接近p，误差来自浮点数精度。如果偏离很大，说明标准化或协方差计算出了问题。

% 验证1：特征值之和是否等于特征数量 fprintf('特征值之和: %.6f\n', sum(latent_sorted)); fprintf('特征数量: %d\n', size(X, 2));

代码逻辑说明：因为标准化使得每个特征的方差为1，总方差就是p。协方差矩阵对角线元素反映各个特征自身的方差，特征值之和等于迹，所以理论上两者相等。参数说明：%.6f是格式化输出，保留6位小数。正常误差应该在1e-10量级，如果出现明显偏差，bug大概率出在标准化步骤。

5.2 用重构误差检查降维损失

降维的本质是信息压缩，保留前k个主成分后再投影回原空间，和原始数据必然有误差。重构误差既能用来验证代码正确性——如果k=p时存在明显误差，说明实现有bug——也能用来帮你寻找合适的k值：随着k增加，重构误差单调下降，拐点处对应最佳维度。

% 重构并计算误差 score_all = X_std * coeff_all; % 使用全部分量投影 X_reconstructed = score_all * coeff_all'; % 投影回原空间 % 注意：重构后是标准化数据的近似，需要反标准化才能和原始X比较 X_recon_orig = X_reconstructed .* sigma + mu; % 逐列乘以标准差再加回均值 reconstruction_error = mean(sum((X - X_recon_orig).^2, 2)); fprintf('全分量重构误差: %.6e\n', reconstruction_error);

代码逻辑说明：score是样本在新空间的坐标，乘以coeff的转置就映射回原特征空间。由于我们做了标准化，映射回来的是标准化空间的值，必须逐列乘以标准差再加回均值才能与原数据对齐。参数说明：coeff_all是完整的特征向量矩阵，不截断。mean(sum(...))是先对每个样本求各维度误差平方和，再对所有样本取平均，得到均方重构误差。如果这个误差在k=p时不是1e-14量级，说明你的投影或反标准化步骤有bug。

5.3 与MATLAB内置pca函数交叉比对

这是最实用也最容易被接受的验证方式。手写代码总是对还是错？和MATLAB官方实现做对比，一分钟就能确认。

% 使用MATLAB内置pca函数 [coeff_builtin, score_builtin, latent_builtin] = pca(X); % 比较前两维得分（注意符号方向需要对齐） score1_norm = score(:,1) / norm(score(:,1)); score_builtin1_norm = score_builtin(:,1) / norm(score_builtin(:,1)); % 检查相关性接近1或-1 corr_check = corr(score1_norm, score_builtin1_norm); fprintf('与内置pca第一主成分相关系数: %.6f\n', abs(corr_check));

代码逻辑说明：由于符号翻转的存在，直接比较score数值没有意义。先对每个得分向量做归一化，再用相关系数的绝对值来判断方向是否一致——相关系数接近1或-1都代表方向对齐。参数说明：norm是向量的欧几里得范数，corr计算两个向量间的皮尔逊相关系数。这个验证方法也适用于后续你自己的修改版本，建议把这段验证脚本保留为固定测试代码。

6. 让PCA结果可解释的进阶技巧：载荷图、双标图与贡献率阈值的选择逻辑

代码跑通不是终点，能用PCA结果支撑业务判断才是。这一章分享两个在你写代码之后最常用的进阶技巧：怎么用载荷图看清原始特征与主成分的关系，以及怎么根据业务场景调整贡献率阈值，而不是机械地卡85%。

6.1 载荷图：把一个主成分拆回原始特征的贡献

coeff矩阵的每一列是一个特征向量，向量中的每个元素代表原始特征在这个主成分中的权重。权重绝对值越大，说明这个原始特征对该主成分的影响越强。把第一主成分和第二主成分的载荷权重直接画成散点图，就是所谓载荷图。每个原始特征在图上的坐标是它在两个主成分中的权重，方向相近的特征说明它们在降维空间中高度相关。

% 绘制载荷图：每个特征在PC1-PC2平面上的权重坐标 figure; quiver(zeros(size(coeff,1),1), zeros(size(coeff,1),1), ... coeff(:,1), coeff(:,2), 0, 'r'); hold on; text(coeff(:,1)*1.1, coeff(:,2)*1.1, ... {'出勤率','练习完成度','实验得分','笔试成绩'}, 'FontSize', 10); xlabel('第一主成分载荷'); ylabel('第二主成分载荷'); axis equal; grid on;

代码逻辑说明：coeff的第1、2列分别是各特征在第一、第二主成分中的权重。quiver函数以原点为起点画有向箭头，0作为缩放参数表示不自动缩放宽高比，text用来给每个特征标注名称。轴设为equal保证箭头夹角看起来不失真。参数说明：coeff(:,1)*1.1的作用是在箭头末端偏移10%的位置写文字，避免文字压住箭头。axis equal对载荷图尤其重要，因为载荷权重的绝对值大小之比才是有意义的，不等比例缩放会扭曲夹角信息。

6.2 贡献率阈值选择：85%不是万能金标准

很多人从教材里记下一个“累计贡献率大于85%”的经验数字，但这个数字并非在所有场景都适用。如果你的数据本身噪声很大，比如传感器原始采集信号，85%的累计贡献率可能需要保留8个甚至10个主成分，这种情况下应该看特征值碎石图的拐点，而不是硬套85%。反之，如果数据有强结构，前两个主成分就已经达到90%以上，强行保留更多分量只会让你画出的散点图徒增噪声。

我的判断习惯是分场景：做可视化时，固定取前2或前3个主成分，不管贡献率是多少，因为图纸上的轴就那么多；做后续回归或聚类时，用碎石图拐点选k，再验证一下选出的主成分和业务标签的相关性；做特征压缩时，才用85%或90%的累计贡献率阈值。你自己的代码只负责输出——它已经给出了全部贡献率和累计贡献率数组，阈值怎么设取决于你要拿压缩后的数据做什么。

6.3 双标图（Biplot）：把样本和特征画在同一张图里

最后一个值得掌握的技巧是把投影后的得分（样本位置）和载荷向量（特征方向）画在同一张图上，一目了然地看出每个样本在哪个特征方向上更突出。MATLAB里通常还是用散点图和quiver叠加实现。

% 绘制双标图 figure; scatter(score(:,1), score(:,2), 40, 'filled'); hold on; % 对载荷向量做缩放，使其和样本坐标区间匹配 scale = max(max(abs(score))) / max(max(abs(coeff))); h = quiver(zeros(size(coeff,1),1), zeros(size(coeff,1),1), ... coeff(:,1)*scale, coeff(:,2)*scale, 0, 'k', 'LineWidth', 1.5); text(coeff(:,1)*scale*1.1, coeff(:,2)*scale*1.1, ... {'出勤率','练习完成度','实验得分','笔试成绩'}, 'FontSize', 12); xlabel('第一主成分'); ylabel('第二主成分');

代码逻辑说明：关键参数是scale。coeff的载荷权重数值范围通常在-1到1之间，而score的坐标可能很大，两者不在同一尺度上。scale是通过样本坐标最大绝对值除以载荷最大绝对值得到的缩放因子，把载荷箭头放大到与样本点可比较的比例。参数说明：quiver最后一个参数0表示不自动缩放，LineWidth控制箭头粗细。观察双标图的技巧是：样本点沿着某个特征箭头方向分布得越远，说明该样本在这个特征上取值越极端，这个信息在原始数据里要翻很多行才能看出来，在双标图上一眼就能识别。

说实话，当初我第一次看到自己写的PCA脚本跑出的双标图时，被它的解释能力震撼到了——不是因为它复杂，而是因为它让一个四维数据表变得像一张地图，每个学生都成了图上的一个点。也是从那次之后，我意识到写PCA代码最大的陷阱不在数学也不在代码，在于你没有一套系统的方法去验证和理解输出结果。希望这套注释清晰、带例题数据的方案，能让你少走这些弯路。也希望帮到你。

本文还有配套的精品资源，点击获取