在我的理解中，我认为只能为连续功能执行PCA。但是，在试图理解OneHot编码和标签编码之间的区别时，通过以下链接中的帖子：
何时使用一个热编码与labElencoder vs dictvectorizor？
它指出，一个热编码后面是PCA是一种非常好的方法，这基本上意味着PCA用于分类特征。因此，很困惑，请在相同的情况下建议我。
我不同意其他人。
您可以在二进制数据上使用pca （例如，一个hot编码的数据），这并不意味着这是一件好事，或者它将很好地工作。
PCA专为连续变量而设计。它试图最小化方差（=平方偏差）。当您有二进制变量时，平方偏差的概念会崩溃。
是的，您可以使用PCA。是的，您将获得输出。它甚至是最小二乘的输出：PCA似乎并不是在此类数据上删除。它有效，但是它比您想要的要少得多。据说比例如频繁的模式挖掘。
MCA是一种已知的分类数据维度降低技术。在R中，有很多包装可以使用MCA，甚至在混合环境中与PCA混合。在Python中也存在一个MCA库。MCA应用了类似的数学，与法国统计学家所说的类似数学相似："数据分析是为了找到正确的矩阵来对角线"
http://gastonsanchez.com/visally-enforced/how-to/2012/10/10/13/mca-in-r/
基本上，PCA在功能集中找到并消除了较少信息（重复）信息，并降低功能空间的维度。换句话说，想象一个n维超空间，PCA发现数据最变化的M（m＆lt; n）特征。这样，数据可以表示为M维特征向量。从数学上讲，它是特征值的某种知识特征空间的特征向量计算。
因此，是否连续的功能并不重要。
PCA广泛用于许多应用程序。主要是为了消除分类/识别之前的某些传感器或硬件带来的嘈杂，信息较少的信息。
编辑：
从统计上讲，分类特征可以看作是间隔中的离散随机变量[0,1]。预期E {X}和方差E {（X-E {X}）^2）的计算仍然有效而有意义。在具有分类功能的情况下，我仍然代表PCA的适用性。
考虑一种您想预测"它是否会在给定一天下雨"的情况。您有分类功能X，这是"我必须在给定的一天上工作"，1为Yes，为0。显然，天气条件不取决于我们的工作时间表，因此P（r | x）= p（r）。假设每周进行5天的工作，在随机收集的数据集中，我们的X有1秒钟。PCA可能会导致在您的功能表示中删除这个低变化的维度。
一天结束时，PCA用于缩小尺寸，信息损失最小。直观地，我们依靠在给定轴上的数据方差来衡量其对任务的有用性。我认为将其应用于分类特征没有任何理论限制。实际价值取决于应用和数据，这也是连续变量的情况。
以下出版物在分类变量上计算PCA时显示出很大且有意义的结果：
Niitsuma H.，Okada T.（2005）分类变量的协方差和PCA。在：Ho T.B.，Cheung D.，Liu H.（eds）知识发现和数据挖掘方面的进步。Pakdd2005。计算机科学的讲义，第3518卷。Springer，柏林，海德堡
https://doi.org/10.1007/11430919_61
可以通过https://arxiv.org/abs/0711.4452（包括PDF）。
在本文中，作者的使用PCA结合高基数的分类特征。如果我正确理解，他们首先计算每个目标类别的条件概率。然后，他们选择一个阈值超参数，并为每个有条件的类概率创建一个新的二进制变量，以组合每个分类特征。执行PCA以将新的二进制变量与保留为超参数的组件的数量相结合。
pca是一个可以应用任何任何尺寸的方法一组功能。这是使用onehotencoded（即分类）数据的示例：
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
X = enc.fit_transform([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]).toarray()
print(X)
> array([[ 1., 0., 1., 0., 0., 0., 0., 0., 1.],
[ 0., 1., 0., 1., 0., 1., 0., 0., 0.],
[ 1., 0., 0., 0., 1., 0., 1., 0., 0.],
[ 0., 1., 1., 0., 0., 0., 0., 1., 0.]])
from sklearn.decomposition import PCA
pca = PCA(n_components=3)
X_pca = pca.fit_transform(X)
print(X_pca)
> array([[-0.70710678, 0.79056942, 0.70710678],
[ 1.14412281, -0.79056942, 0.43701602],
[-1.14412281, -0.79056942, -0.43701602],
[ 0.70710678, 0.79056942, -0.70710678]])
我认为PCA正在通过利用VAR之间的线性关系来减少VAR。如果仅在onehot中编码一个分类VAR，则词根之间没有线性关系。因此，它无法通过PCA减少。
但是，如果那里有其他var，则可以通过其他vars的线性关系来呈现词汇。
因此，它可能可以通过PCA减少，取决于VAR的关系。