所以对于我们这些无法理解四维或者更高维空间中的点的人来说，最简单的处理方式是使用大量的二维快照。图3.1是一张显示工作与家庭/伴侣之间关系的快照。从其他类似的快照中，我可以看到，那些常发生活相关帖、食物相关帖和旅行相关帖的人很少发政治/新闻帖。这两种兴趣呈负相关：如果一个朋友喜欢上传他刚刚去过的餐馆照片，那么他往往不会发表自己对时事的看法。但是有些类型的帖子呈正相关：我的朋友如果写作有关音乐、电影和体育的文章，那么他也会倾向于分享笑话或段子。
主成分分析法：15个帖子就能让他人读懂我们的生活
将成对的数据进行比较，让我们开始对13维数据集的一些模式有了大概的了解，但这并不是一种特别系统的方法。我们共有多达78对关系要看，把它们全部绘制成二维图并加以研究需要时间。在某些情况下，关联性是多重的：一些分享笑话和段子的人，既写关于音乐和电影的文章，也分享新闻和政治，但倾向于不发生活相关帖。因此我需要一种这样的方法，它能够系统地对这些关联的重要性进行排序：找出那些最重要的、最能够体现我的朋友之间差异的关联。
我将—种称为主成分分析的方法（Principal Component Analysis，简称PCA）用于研究朋友的数据。主成分分析法是一种统计方法，它可以对我原始的13维数据集进行旋转①以揭示帖子之间最重要的关联，其中每个帖子的类别都是单一维度。第一主成分（即数据中体现的最强相关性）是一条直线，往右依次为家庭/伴侣、生活方式和朋友，往左依次为笑话/段子、工作和政治/新闻。这些是对我的朋友们进行区分的最重要关系。有些人喜欢发布关于他们个人生活经历的帖子，有些人则喜欢分享这个世界上和他们工作中发生的事情。
被算法操控的生活OUTNUMBERFD
①“旋转”一词在数据分析中指的是对多维数据集的数据进行浏览的过程中，通过改变维方向来从不同角度观察数据，其实也就是在多维数据集浏览器中对维度的拖动和替换。这种操作可以将多维数据集中的不同维进行交换显示，得到不同视角的数据，使研究者能够更加直观地观察数据集中不同维之间的关系。
22