在主成分分析（PCA）、因子分析等降维方法中，“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— 有人误将载荷矩阵当作计算样本得分的依据，也有人将两者视为 “不同名称的同一矩阵”，最终导致主成分含义解读偏差或样本得分计算错误。

事实上，这两个矩阵服务于降维分析的不同环节：载荷矩阵聚焦 “变量与主成分的关联”，解释 “哪些变量对主成分贡献大”；成分得分系数矩阵聚焦 “样本与主成分的映射”，解决 “如何计算样本在主成分上的得分”。本文将从定义、计算、含义、用途四大维度彻底区分两者，结合实战案例演示其应用差异，帮助读者避免概念混淆。

一、先破后立：明确两者的核心定义（本质不同）

要区分两者，需先回归降维分析的核心逻辑：在 PCA 中，我们既要理解 “主成分代表什么”（依赖载荷矩阵），也要知道 “每个样本在主成分上的位置”（依赖成分得分系数矩阵）—— 两者分别对应 “变量层面” 和 “样本层面” 的分析需求。

1. 载荷矩阵（Factor Loading Matrix）：变量与主成分的 “关联说明书”

载荷矩阵（记为）是原始变量与主成分之间的相关系数矩阵，其每个元素表示 “第个原始变量与第个主成分的相关系数”，反映原始变量对主成分的 “贡献度” 与 “关联方向”。

核心特征：

• 维度：若原始数据有个变量、提取个主成分（），则载荷矩阵为矩阵（行对应变量，列对应主成分）；

• 含义解读：

  • 绝对值越大（越接近 1 或 - 1）：变量与该主成分的关联越强，对主成分的解释力越强；

  • 符号为正：变量与主成分呈正相关（变量增大，主成分增大）；

  • 符号为负：变量与主成分呈负相关（变量增大，主成分减小）；

• 计算依据：基于原始变量的协方差矩阵或相关矩阵（PCA 的两种常见输入），通过特征值分解得到特征向量，再结合特征值计算：

  若基于相关矩阵**** 做 PCA（适用于变量量纲差异大的场景），载荷矩阵（是个特征值构成的对角矩阵）；

  若基于协方差矩阵**** 做 PCA（适用于变量量纲一致的场景），载荷矩阵（形式相同，但和来自协方差矩阵分解）。

核心用途：解释主成分的 “物理含义”—— 回答 “这个主成分代表什么”。

例如：对 “语文、数学、英语、物理、化学”5 科成绩做 PCA，若第一主成分与所有科目载荷系数均为 0.8~0.9（正相关），则可将第一主成分解读为 “综合学习能力”；若第二主成分与语文、英语的载荷系数为 0.7~0.8，与物理、化学的载荷系数为 - 0.6~-0.7，则可解读为 “文科倾向 - 理科倾向” 的对比维度。

2. 成分得分系数矩阵（Component Score Coefficient Matrix）：样本与主成分的 “映射公式”

成分得分系数矩阵（记为）是将原始变量转换为样本主成分得分的系数矩阵，其每个元素表示 “计算第个主成分得分时，第个原始变量的权重”—— 通过该矩阵，可将标准化后的原始变量线性组合，得到每个样本在主成分上的得分（即 “主成分得分”）。

核心特征：

• 维度：与载荷矩阵维度相同，为矩阵（行对应变量，列对应主成分）；

• 含义解读：元素是 “第个变量对第个主成分得分的贡献权重”—— 权重越大，该变量对样本在该主成分上的得分影响越大；

• 计算依据：依赖载荷矩阵和原始变量的统计特征（如标准差），核心逻辑是 “将原始变量标准化后，通过系数矩阵映射到主成分空间”：

  若基于相关矩阵**** 做 PCA（此时原始变量已标准化，均值为 0、标准差为 1），成分得分系数矩阵（即特征向量矩阵），或等价于（载荷矩阵除以特征值的平方根）；

  若基于协方差矩阵**** 做 PCA（原始变量未标准化），成分得分系数矩阵（是原始变量的标准差对角矩阵），确保消除量纲影响。

核心用途：计算样本的主成分得分 —— 回答 “每个样本在主成分上的位置如何”。

例如：通过成分得分系数矩阵，可得到 “样本主成分 1 得分 = 0.3× 语文 + 0.4× 数学 + 0.2× 英语 + 0.05× 物理 + 0.05× 化学” 这样的公式，代入每个学生的标准化成绩，即可得到其在 “综合学习能力” 维度上的得分，用于后续的样本排序、聚类或可视化（如 PCA 散点图）。

二、核心差异：6 个维度彻底区分（表格对比）

为直观呈现两者的不同，从计算、含义、用途等 6 个关键维度做对比：

关键结论：即使维度相同，两者的数值、含义、用途也完全不同 —— 载荷矩阵是 “变量 - 主成分” 的关联系数，服务于 “解释主成分”；得分系数矩阵是 “变量 - 样本得分” 的权重，服务于 “计算样本位置”。

三、数学联系：仅在特定条件下存在关联（非同一概念）

虽然两者本质不同，但在 “基于相关矩阵的 PCA（原始变量已标准化）” 这一特殊场景下，存在明确的数学联系（但仍不是同一概念），需避免混淆 “联系” 与 “等同”。

1. 关联推导（标准化 PCA 场景）

当原始变量已标准化（均值，标准差），PCA 基于相关矩阵计算时：

• 载荷矩阵（为特征向量矩阵，为特征值对角矩阵）；

• 成分得分系数矩阵（因标准化后变量标准差为 1，无需额外调整）；

• 由此可推出：（载荷矩阵乘以特征值对角矩阵的逆平方根）。

2. 实例验证（简单数据集）

假设某数据集有 2 个标准化变量、，PCA 得到 1 个主成分，特征向量，特征值：

• 载荷矩阵（变量与主成分的相关系数均为 0.95，说明主成分是 “两变量的综合”）；

• 成分得分系数矩阵（用于计算样本主成分得分：）；

• 验证联系：，符合数学关系，但两者数值（0.95 vs 0.707）和含义完全不同。

四、实战案例：用 Python 演示两者的计算与差异

以 “学生成绩数据集”（含语文、数学、英语 3 个变量，10 个样本）为例，用 Python 的sklearn和numpy计算载荷矩阵与成分得分系数矩阵，直观展示差异。

1. 数据准备与 PCA 训练

import numpy as np

import pandas as pd

from sklearn.decomposition import PCA

from sklearn.preprocessing import StandardScaler

# 1. 构造学生成绩数据（10个样本，3个变量：语文、数学、英语）

data = np.array([

   [85, 92, 88], [78, 85, 80], [92, 95, 90], [65, 70, 68], [72, 68, 75],

   [88, 90, 92], [76, 78, 82], [90, 93, 89], [68, 72, 70], [80, 85, 83]

])

columns = ["语文", "数学", "英语"]

df = pd.DataFrame(data, columns=columns)

# 2. 标准化变量（基于相关矩阵做PCA，消除量纲影响）

scaler = StandardScaler()

data_std = scaler.fit_transform(df)  # 标准化后：均值=0，标准差=1

# 3. 训练PCA（提取2个主成分）

pca = PCA(n_components=2)

pc_scores = pca.fit_transform(data_std)  # 样本的主成分得分（依赖得分系数矩阵）

2. 计算并解读载荷矩阵

# 计算载荷矩阵：特征向量 × 特征值平方根

eigenvectors = pca.components_.T  # 特征向量矩阵（3×2，变量数×主成分数）

eigenvalues = pca.explained_variance_  # 特征值（2个）

loading_matrix = eigenvectors @ np.diag(np.sqrt(eigenvalues))  # 载荷矩阵（3×2）

# 整理为DataFrame便于解读

loading_df = pd.DataFrame(

   loading_matrix,

   index=columns,

   columns=["主成分1", "主成分2"]

)

print("载荷矩阵（变量与主成分的相关系数）：")

print(loading_df.round(4))

载荷矩阵结果与解读：

• 主成分 1：三个变量的载荷系数均接近 1（正相关），说明主成分 1 是 “综合成绩” 维度，解释了成绩的主要变异（可通过pca.explained_variance_ratio_查看，此处约 95%）；

• 主成分 2：语文、英语为负相关（-0.1867、-0.0658），数学为正相关（0.1527），可解读为 “数学倾向 vs 语文英语倾向” 维度，解释约 5% 的变异。

3. 计算并解读成分得分系数矩阵

# 计算成分得分系数矩阵：基于标准化PCA，得分系数矩阵=特征向量（或载荷矩阵 × 特征值逆平方根）

# 方法1：直接从PCA结果获取（等价于特征向量）

score_coef_matrix1 = pca.components_.T  # 3×2矩阵

# 方法2：通过载荷矩阵推导（验证数学关系）

score_coef_matrix2 = loading_matrix @ np.diag(1 / np.sqrt(eigenvalues))  # 载荷矩阵 × 特征值逆平方根

# 整理为DataFrame

score_coef_df = pd.DataFrame(

   score_coef_matrix1,

   index=columns,

   columns=["主成分1", "主成分2"]

)

print("n成分得分系数矩阵（计算主成分得分的权重）：")

print(score_coef_df.round(4))

成分得分系数矩阵结果与解读：

• 主成分 1 得分公式：（表示标准化后的值），三个变量权重接近，体现 “综合成绩” 的计算逻辑；

• 主成分 2 得分公式：，数学权重为正，语文 / 英语为负，体现 “数学倾向” 的计算逻辑；

• 验证样本得分：以第一个样本（标准化后语文 = 0.528，数学 = 0.845，英语 = 0.462）为例，，与pc_scores[0,0]（PCA 直接输出的得分）一致，说明得分系数矩阵正确。

五、常见误区与避坑指南

误区 1：将载荷矩阵当作得分系数矩阵，直接计算样本得分

• 错误做法：用载荷矩阵中的系数（如主成分 1 的 0.9743、0.9816、0.9865）代替得分系数，计算样本主成分得分；

• 后果：得分数值被放大（如第一个样本 PC1 得分会变成 0.9743×0.528 + 0.9816×0.845 + 0.9865×0.462≈1.99，远大于正确值 0.67），导致后续的样本排序、聚类结果完全错误；

• 避坑方法：计算样本得分时，必须使用成分得分系数矩阵（sklearn中pca.components_.T或通过载荷矩阵推导），而非载荷矩阵。

误区 2：认为 “载荷矩阵与得分系数矩阵数值相同，只是名称不同”

• 错误逻辑：在标准化 PCA 中，看到载荷矩阵和得分系数矩阵均与特征向量相关，就误以为两者是同一矩阵；

• 反例：本案例中，语文对主成分 1 的载荷系数是 0.9743，得分系数是 0.3284，数值差异显著；

• 避坑方法：牢记核心含义 —— 载荷矩阵是 “相关系数”，得分系数矩阵是 “权重系数”，即使数学上有关联，也不是同一概念。

误区 3：忽视量纲影响，混淆不同 PCA 场景下的矩阵计算

• 错误做法：在未标准化的 PCA（基于协方差矩阵）中，直接用特征向量作为得分系数矩阵；

• 后果：量纲大的变量（如 “收入” 单位为万元，“年龄” 单位为岁）会主导主成分得分，导致结果失真；

• 避坑方法：若变量量纲差异大，必须先标准化（基于相关矩阵做 PCA），再使用标准化后的得分系数矩阵；若基于协方差矩阵做 PCA，需用得分系数矩阵公式（为原始变量标准差）消除量纲影响。

六、总结：核心逻辑与应用建议

成分得分系数矩阵与载荷矩阵是 PCA 分析的 “左膀右臂”，但职责分明：

• 载荷矩阵：解决 “主成分是什么” 的问题，用于解释主成分的物理含义，是 “变量层面” 的分析工具；

• 成分得分系数矩阵：解决 “样本在主成分上的位置如何” 的问题，用于计算样本得分，是 “样本层面” 的分析工具。

应用建议：

1. 先看载荷矩阵，再算得分：做 PCA 时，先通过载荷矩阵解读主成分含义（如 “综合能力”“风险维度”），明确分析方向后，再用得分系数矩阵计算样本得分；

2. 工具使用注意：用sklearn时，pca.components_.T是成分得分系数矩阵（标准化 PCA 场景），载荷矩阵需手动计算（特征向量 × 特征值平方根）；用R的prcomp函数时，rotation参数输出的是载荷矩阵，x参数输出的是样本主成分得分（已用得分系数矩阵计算完成）；

3. 报告规范：撰写分析报告时，需同时呈现两者（或根据需求选择），并明确标注 —— 若解释主成分含义，列出载荷矩阵；若展示样本得分计算逻辑，列出得分系数矩阵，避免读者混淆。

最终，两者的区分本质是 “理解 PCA 的双重视角”：既要通过载荷矩阵看透 “变量对主成分的贡献”，也要通过得分系数矩阵实现 “样本在主成分空间的映射”—— 唯有清晰区分，才能让降维分析真正服务于业务洞察（如用户分层、风险分类、特征解释）。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0