您所看到的很可能是以下内容。PCA 显然用于在某些提供的数据集中查找最主要的特征，您可以将每个特征视为您可能用来表示数据集的基础的一部分。鉴于您的数据集是一堆点$n$-dimensions 并且您使用 PCA 来查找$k \ll n$该数据集中的特征，然后您可以投影原始数据中的任何数据$n$维度空间降低$k$维空间有一些准确性损失，但希望不会太大，因为您在描述原始数据集时选择了带有大量方差权重的特征。

所以你可能在上面看到的是研究人员采用了多种化合物，首先以原始形式表示它们（零均值）$n$-dimension 版本，然后使用您的$k$来自 PCA 的特征将它们投影到$k$维空间，在上图中只是$k=2$使用两个最主要的 PCA 特征的尺寸。然后他们根据每个维度减少向量中对应的向量来标记它们$n$维度表示。