个人理解：
PCA是进行降维用的。比如：
检测n个样本的m个基因的表达值，用m个基因的表达值描述这n个样本。即m是属性。
但是，我用m维度的数据（也叫变量）去描述、区分这n个样本，太复杂了。我想用3个特征来区分这n个样本。比如：给出3个特征，有90%的样本在这3个特征上都不同。这3个特征就是PC1，PC2和PC3（也叫：主要特征、关键特征、主要变量）。
一般情况下，并不能直接找出这样的主要特征。这时，我们可以用原有维度数据的线性组合（即PC1，PC2，PC3）来表示事物（n个样本）的主要特征， PCA 就是这样一种分析方法。
参考：https://www.biomart.cn/experiment/430/590/597/58034.htm在基因表达数据分析中，使用PCA。
总结：这个总结，真是太好了：
PCA是一种著名的数据降维算法，它应用的条件是数据/特征之间具有明显的线性相关性，它的两个主要的指导思想是抓主要矛盾和方差即信息，它的基本应用是数据降维，以此为基础还有数据可视化、数据压缩存储、异常检测、特征匹配与距离计算等。从数学上理解，它是一种矩阵分解算法；从物理意义上理解，它是线性空间上的线性变换。
————————————————
版权声明：本文为CSDN博主「Chen_Tianyang」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ctyqy2015301200079/java/article/details/85325125
我的问题：对于两个样本的差异表达基因，能够做PCA分析呢？
