本案例將帶領我們學習一種非常強大的進階分析技術——降維 (Dimensionality Reduction)。當我們的資料特徵（欄位）過多時，要找出關鍵影響因素並不容易。主成分分析 (PCA) 能幫助我們從眾多相關的變數中，萃取出最核心的、最具代表性的「主成分」，以簡化問題並洞察其根本結構。
1. 環境設定：中文字型
核心概念： matplotlib 或 seaborn 套件預設並未包含中文字型，若直接繪圖，圖表中的中文（如標題、座標軸標籤）將會顯示為無法辨識的方塊亂碼(暱稱為豆腐)。因此，繪製中文圖表前的第一步，就是手動安裝並設定字型。
本案例應用重點：
!wget ...: 我們在 Colab 中使用wget這個指令，從網路上下載一個開源的思源黑體字型檔 (.otf檔)，並將其存放在系統的字型路徑中。import matplotlib.font_manager as fm: 引入字型管理器，用來讀取我們剛下載的字型檔。plt.rcParams['font.family'] = ...: 這是最關鍵的一步，透過rcParams(runtime configuration parameters) 這個設定，我們明確地告知matplotlib：「接下來所有的圖表，請一律使用我們剛剛指定的那個中文字型來繪製。」
2. 載入數據：
files.upload(): 執行這行程式碼時，Colab 會在您的瀏覽器中跳出一個檔案上傳的對話視窗，讓您可以從本機電腦選擇要上傳的檔案uploaded = ...: 當您選擇檔案並完成上傳後，files.upload()會回傳一個 Python 字典 (dictionary)，裡面包含了您上傳的檔案資訊（檔名作為key，檔案內容作為value）。這個字典會被存放在uploaded這個變數中。try: ... except Exception as e: ...：這是一個錯誤處理的結構。try:: 程式會嘗試執行try區塊內的所有程式碼。except Exception as e:: 如果在try的過程中，發生任何錯誤（例如，上傳的檔案不是 CSV 格式、檔案已損毀等），程式不會因此崩潰，而是會跳到except區塊，執行裡面的程式碼來處理這個例外狀況。
file_name = next(iter(uploaded))：因為uploaded是一個字典，我們需要從中取出檔名。iter(uploaded)會建立一個字典鍵（也就是檔名）的迭代器。next(...)則會從這個迭代器中取出第一個項目。由於我們一次只上傳一個檔案，所以這樣就能成功取得該檔案的檔名。
如果使用本地端的編輯器執行Python腳本（例如Spyder,VSCode），只要設定好工作目錄，就可以直接使用pandas read_csv() 方法載入數據集。upload()是用在當你使用colab環境時。3. Pandas – 資料的準備與索引設定
核心概念： 在進行 PCA 分析前，我們需要將資料整理成適合模型讀取的格式。
本案例應用重點：
df.set_index('Brand'): 我們將Brand(品牌) 欄位設定為 DataFrame 的索引。這樣做的好處是，Brand欄位不會被當成數值特徵參與後續的數學運算，它只作為每一列的標籤存在，方便我們最後在視覺化圖表上標示出各個品牌的位置。
4. Scikit-learn – 資料標準化 (Standardization)
核心概念： PCA 對資料的尺度非常敏感。與分群演算法一樣，在執行 PCA 之前，必須對資料進行標準化，以消除不同特徵因單位不同所造成的影響，確保所有特徵都在同一個基準上進行比較。
本案例應用重點：
StandardScaler(): 初始化標準化轉換器。.fit_transform(): 對我們選定的所有數值特徵（價格、品質、創新分數等）進行標準化處理，得到一個全新的、標準化後的數據陣列。
5. Scikit-learn – 執行主成分分析 (PCA)
核心概念： PCA 是一種數學方法，它能將原始的多個特徵，線性組合成少數幾個全新的、彼此不相關的「主成分」(Principal Components)，並最大程度地保留原始資料的變異性。
本案例應用重點：
from sklearn.decomposition import PCA: 從scikit-learn中匯入 PCA 模型。PCA(n_components=2): 初始化 PCA 模型，並透過n_components=2這個重要參數，指定我們希望將原始的多個特徵降維成兩個主成分。.fit_transform(): 將標準化後的資料投入 PCA 模型，執行降維。函式會回傳一個新的陣列，其中每一列代表一個品牌，而兩個欄位則分別是該品牌在「第一主成分」與「第二主成分」上的得分。
6. Matplotlib – 產品知覺圖 (Perceptual Map) 視覺化（分析產品定位）
核心概念： 產品知覺圖是 PCA 分析在行銷領域最經典的應用。它將降維後的結果繪製在一個二維平面上，讓我們能直觀地看出各品牌在消費者心目中的相對位置。
本案例應用重點：
plt.scatter(): 我們使用散佈圖，將 X 軸設為「第一主成分得分」，Y 軸設為「第二主成分得分」，每一個點就代表一個品牌。- 是在每一個代表品牌的散佈旁邊，標示出該品牌的名稱
plt.text(...)：在matplotlib繪圖中，用來在圖表的特定座標位置上，加上文字註解x=df_pca.PC1[i]+0.05：設定文字標籤的 X 座標。程式會先取得第i個品牌在第一主成分 (PC1) 上的分數（也就是該點的 X 座標），然後加上一個微小的位移量0.05，目的是讓文字稍微偏離點的右側，避免文字直接蓋在點上。y=df_pca.PC2[i]+0.05：設定文字標籤的 Y 座標。同樣地，程式會取得第i個品牌在第二主成分 (PC2) 上的分數（Y 座標），並加上0.05，讓文字稍微偏離點的上方。s=df_pca.index[i]：s代表string，也就是要顯示的文字內容。df_pca.index[i]會取得第i個品牌的索引名稱（也就是我們一開始設定的Brand名稱）。fontdict=dict(color='black', size=12)：fontdict是一個用來設定字型樣式的字典。這裡我們設定了文字的color(顏色) 為黑色，size(大小) 為 12。fontproperties=font_prop：這個參數用來指定顯示文字所使用的字型。font_prop是我們在程式碼開頭預先設定好的中文字型屬性。加上這個參數，才能確保圖表上的中文品牌名稱能夠正常顯示，而不會變成亂碼。
Perceptual Map（知覺圖）是什麼？ 它是一種行銷分析工具，用來視覺化呈現消費者如何感知不同品牌、產品或服務之間的相對位置。它幫助行銷人員理解市場上競爭者的定位、顧客對品牌的認知，以及找出可能的市場空缺。通常是一張2D平面圖，有X軸和Y軸，各代表一個消費者關心的產品屬性或形容詞維度（如「價格高低」「品質好壞」）。每個品牌或產品會根據調查結果被標示在圖上某個位置，代表它在這兩個維度上的相對感知。
7. PCA 結果解讀：解釋變異與主成分負荷
核心概念： 降維後，我們需要透過觀察 “主成分負荷 (Loadings)” 來理解這兩個新的「主成分」分別代表什麼意義。
本案例應用重點：
pca.components_: 這是解讀主成分意義的關鍵。它儲存了每一個原始特徵對於構成新主成分的「貢獻度」或「權重」，也稱為主成分負荷 (Component Loadings)。透過觀察這些負荷值，我們可以為新的主成分命名（例如：高價格、高品質、高創新負荷 -> 或許可命名為「專業性能維度」） 。pca.explained_variance_ratio_: 這是 PCA 模型的一個重要屬性，它會告訴我們每一個主成分分別「解釋」了原始資料多少百分比的變異（資訊量）。例如，[0.75, 0.15]代表第一主成分解釋了 75% 的資訊，第二主成分解釋了 15%。loadings = pca.components_.T * np.sqrt(pca.explained_variance_)：計算並縮放主成分的負荷量 (Loadings)。pca.components_：這本身儲存了主成分的「方向」或「權重」。它告訴我們，每一個原始特徵（如’價格’、’品質’）是如何組合 C 成新的主成分軸線的。.T：這是轉置 (Transpose) 的意思。它將pca.components_的行和列對調，使其結構變為每一列 (row) 代表一個原始特徵，方便後續的計算。pca.explained_variance_：這代表每一個主成分所能「解釋」的原始資料變異量。您可以將其理解為該主成分的重要性或影響力。np.sqrt(...)：np.sqrt()是計算平方根。對變異量取平方根，得到的就是該主成分的標準差。這可以被視為該主成分軸線的「尺度」。*(相乘)：最後，程式將代表「方向」的pca.components_.T與代表「尺度」的np.sqrt(pca.explained_variance_)相乘。
這行程式碼的物理意義，就像是將一個只有方向的單位向量，乘上一個代表其重要性的長度。總結來說，這個案例的學習路徑是：
準備資料 -> 標準化 -> 執行 PCA 降維 -> 繪製產品定位圖 -> 解讀主成分 。