行主成分分析 (PCA)

行主成分分析（Row PCA）是传统主成分分析（PCA）的一种变体，其核心区别在于协方差矩阵的计算维度。传统PCA基于样本（行）的协方差矩阵，旨在压缩特征维度；而行PCA则基于特征（列）的协方差矩阵，旨在压缩样本维度。在数学上，行PCA等价于对原始数据进行转置后执行标准PCA，或者等价于对特征向量进行标准化后的列PCA。该方法在样本数量远大于特征数量（n >> p）的高维稀疏数据中尤为有效，能够直接对样本进行降维表示，从而减少存储开销并加速后续基于样本的机器学习算法（如KNN、聚类）的运行效率。

在现代计算架构与机器学习生态中，行主成分分析扮演着处理“宽数据”（Wide Data）的关键角色。当数据集中样本量巨大但特征维度相对较少时，传统PCA因计算复杂度随样本量平方增长而难以落地。行PCA通过转置视角，将计算复杂度从O(n^2)降低至O(p^2)，使得在百万级样本、数百个特征的场景下，能够高效地提取样本的潜在结构。其核心价值在于样本压缩（Sample Compression），广泛应用于大规模推荐系统、用户画像构建、异常检测及流式数据处理中，是平衡计算资源与模型性能的重要工具。