假设 PCA 正确完成，最终它是一个简单的线性变换，将数据投影到低维空间中，从而保留最大的方差。由于变换是线性的，它不会拉直或弯曲数据中可能存在的任何线，除非该线沿投影丢弃的方向之一弯曲。因此，如果数据在变换后形成线，则意味着它在原始空间中形成了一条线，或者它在一个平面上弯曲，该平面被投影为一条线。所以你展示的 PCA 对我来说看起来不错。

关于什么数据可以生成这样的线的问题：特征空间中的线意味着这些特征的强线性相关性，即假设存在函数是合理的$x_2 = m x_1 + b$与特征相关的$x_1$和$x_2$.

通常（或常见情况）您会在应用 PCA 时找到这些行，这是找到那些主成分分析的结果，这意味着原始数据集的最大方差方向，即从您的数据中为您提供更多信息的组件数据。正如 scikit-learn 文档中的示例所解释的：PCA 在原始特征空间中找到正交方向，这些方向对应于最大方差的方向。