python中基于协方差矩阵的PCA和SVD的PCA如何得到相等的结果

Question

我想对我的数据集进行PCA

XT.shape
->(2500,260)

复杂X的行包含样本（2500），X的列包含变量（260）。 我是这样执行SVD的：（Python）

^{pr2}$

我想这会让我把数据投影到第一个主成分上。但是，如果我使用协方差矩阵进行PCA：

cov = np.cov(XT, rowvar=False) 
eVals, eVecs = np.linalg.eigh(cov)

# Sort eigenvalues in decreasing order and eigenvectors alike
idx = np.argsort(np.abs(eVals))[::-1]
eVals = eVals[idx]
eVecs = eVecs[:,idx]

# Project data on eigenvectors
PCA_0 = np.dot(eVecs.T, XT.T).T[:,0]

然后PCA_0和proj_0不产生相同的结果。所以我错过了一些东西，但是呢？在