运行以下代码：

from sklearn.decomposition import TruncatedSVDimport numpy as npX = np.matrix('1 2 3 4 5; 3 4 5 6 7; 1 1 1 1 1; 2 3 4 5 6; 2 3 4 5 6')svd = TruncatedSVD(n_components=2, n_iter=7, random_state=42)svd.fit(X)print(svd.singular_values_)

产生的结果是：

[19.32338258  1.26762989]

我期望矩阵的每一行都能被降维到大小2，但实际上是整个矩阵被降维到了大小2。TruncatedSVD可以用来将数据集的每一行降维到大小2，而不是整个矩阵降维到大小2吗？

回答：

打印的是奇异值而不是奇异向量。由于n_components=2，因此有两个奇异值是合适的。

要获得转换后的输出，可以使用

  svd.transform(X)

或者将其变换回原始空间

  svd.inverse_transform(X)

最后一个步骤是必要的，以便在原始矩阵和转换后的矩阵之间进行任何统计比较。