PCA为什么要减均值呢？因为每个特征都有自己独立的平均值，如果不减去这个平均值，所有数据会围绕各自的均值分布。比如身高和体重，如果直接计算方差，身高和体重的均值可能都不为零，这样计算出来的方差会包含均值本身的干扰。减去均值后，数据会变成以零为中心的分布，这样计算出来的方差才能真正反映数据本身的波动情况。

举个例子吧，假设三个人的身高是170、175、180厘米，体重是60、65、70公斤。如果不减均值，身高均值为175，体重均值为65，那么每个数据点都要减去对应的均值。比如第一个身高变成170-175=-5，体重变成60-65=-5。这样处理后，所有数据都围绕零波动，计算方差时就不会被原始均值拉偏了。比如身高方差原本是（25+0+25）/2=25，减均值后还是25，但如果没有减均值，实际计算会变成（5²+0²+5²）/2=25，其实结果一样？啊这里好像有问题，可能我的例子没说明白。其实方差计算本身是围绕均值的，所以无论是否减均值，方差结果应该相同。但PCA的核心是找方差最大的方向，如果所有数据都加上同一个均值，比如把身高都加100，变成270、275、280，这时候方差还是25，但主成分的方向会变成沿着身高轴，而不是数据本身的分散方向。所以减均值其实是让数据分布更纯粹，避免均值干扰主成分的方向选择。比如如果数据整体向右偏移，不减均值的话，主成分可能斜着向右，但实际上数据本身的分散方向是垂直的。这样主成分就找错了重点。所以减均值是为了让数据以零为中心，让方差真正反映数据本身的波动，而不是均值的偏移。