erdogant/pca

📦 pca – 主成分分析的輕量級 Python 封裝

是什麼 – pca 是一個小型純 Python 套件，可輕鬆執行主成分分析（PCA）及相關線性降維方法（SparsePCA、TruncatedSVD），並提供比原始 scikit-learn API 更豐富的視覺化與工具。

為什麼值得關注 – 如果你已經使用 sklearn.decomposition.PCA，但希望：

使用現成的雙標圖、載荷向量與 3D 可視化，
自動進行異常值檢測（Hotelling T²、SPE/D‑ModX），
簡單提取最重要的原始特徵，
使用工具對資料進行方差歸一化／去除偏差、儲存／載入擬合模型，並將新資料映射至既有 PCA 空間——所有這些功能皆透過一個 pca 物件實現，可大幅減少重複程式碼。

🎯 核心功能（如 README 所列）

功能	說明
擬合與轉換	封裝 scikit-learn 的 PCA/SparsePCA/TruncatedSVD，提供單一的 `fit_transform` 方法，返回降維後的座標。
雙標圖與載荷	在 PC 空間中繪製樣本，並以箭頭表示每個原始變數的貢獻（載荷）。
解釋方差圖	可視化每個成分所捕捉的變異，幫助你選擇合適的主成分數量。
表現最佳的特徵	回傳對選定成分貢獻最大的原始變數的排序清單。
散點圖	選擇的 PC 的簡單二維散點圖，支援顏色／大小編碼。
異常值檢測	實作 Hotelling 的 T² 與 SPE/D‑ModX 統計量，標記遠離模型中心的觀測值。
去除方差偏差	在 PCA 前從資料中移除系統性偏差（例如，將每個 PC 缩放到單位變異）。
儲存與載入	將擬合後的 `pca` 物件序列化至磁碟並後續重新載入，保留轉換矩陣。
離散資料支援	經過適當編碼後，可處理分類／離散資料集（README 中提及範例）。

🚀 快速上手

# 從 PyPI 安裝
pip install pca

from pca import pca

# 範例 – 經典的 Iris 資料集
model = pca(n_components=2)          # 選擇主成分數量
X_red = model.fit_transform(X)      # X 是 NumPy / pandas 矩陣
model.biplot()                      # 快速可視化

文件（透過徽章欄連結）包含完整的 快速入門 記事本、Colab 連結與圖表畫廊。

📚 文件與學習資源

API 參考 – https://erdogant.github.io/pca/
教學筆記本 – README 中的 Colab 徽章；範例頁面提供逐步使用案例。
Medium 文章 – 關於 PCA 基礎、異常值檢測與特徵重要性的簡明指南（表格中提供連結）。
Gumroad – 付費／擴展版文章與播客節目，適合深入探討（可選）。

👥 社群與維護

維護者 – Erdogan Taskesen（GitHub erdogant）。
授權 – MIT（寬鬆，允許商業使用）。
活躍度 – 徽章顯示活躍狀態、最近發佈與穩定的下載量（每月數萬次）。
貢獻 – 歡迎提交拉取請求；貢獻者透過 contrib.rocks 顯示。
支援 – 提供捐贈按鈕（Buy-me-a-coffee）支援維護者。

TL;DR

pca 是對 scikit-learn 線性分解工具的輕量封裝，增加了預設可視化、異常值檢測，以及特徵重要性與模型持久化等便利功能。對於需要快速產生可出版的 PCA 圖表而無需撰寫自訂 matplotlib 程式碼的資料科學家非常實用。