最近应用pca时遇到一个问题：自己写的pca过程和调用sklearn中的pca最后得到转换空间后的矩阵总有负号差异，后来通过读源码，常识，发现了问题原因：
简单说一下pca的实现，首先对于一个矩阵X，我们计算X·XT，显然这个一个半正定矩阵，可以做特征值分解，然后取出k个最大的特征值及其对应的特征向量就可以表达整个原矩阵。若X·XT=p-1Λp，因为p是单位矩阵，所以p-1=pT，即X·XT=p-1·Λ1/2·(p-1·Λ1/2)T，也就是降维的X后用来p-1·Λ1/2表示。其实从SVD的角度来理解也是一样的，若X=UΣVT，则X·XT=UΣ2UT，同样我们用来UΣ来表示原X。
当我看sklearn的文档时，文档并没有具体解释它的方法得到的结果在数学上的表示什么，钻研了半天，看了源码后才知道。
sklearn中的PCA分解时的方法是通过SVD来实现的。（自己写的PAC使用eig_val, eig_vec = np.linalg.eig(scatter_matrix)，方法不同最后分解得到的值也就不同，svd的代码如下）发现方法用的这个不同后，自己又改成SVD的方法去做，结果就是还是相差负号，功夫不如有心人，还是发现了少了一步，在sklearn中的pAC中分解完后进行翻转特征向量符号以强制执行确定性输出操作（svd_flip），这才是相差负号的原因。我们看一下fit中的部分关键代码。
...
self.mean_ = np.mean(X, axis=0) X -= self.mean_ U, S, V = linalg.svd(X, full_matrices=False) U, V = svd_flip(U, V) components_ = V ... self.components_ = components_[:n_components] ...
经过了这个svd_flip函数处理后负号问题就解决了。应用sklearn中的PCA接口实现和我自己写的PAC得到的矩阵结果是完全一致的了