基本の考え方

主成分分析	因子分析
主成分分析は、観測変数の総分散を最大化する方向を見つける手法です。すべての主成分が観測変数の線形結合であり、相関行列や分散共分散行列を基に計算されます。ノイズも含む全ての分散を説明します。	因子分析は、観測変数が共通因子と固有因子の線形結合であると仮定し、共通因子を見つける手法です。観測変数間の共分散を説明する少数の因子を特定します。ノイズを除去し、共通の因子（共分散構造）を説明します。

共通点

1.次元削減:

両方とも多次元データを少数の次元に縮約する手法です。
データの構造を簡潔に表現し、可視化や解釈を容易にします。

2.データの構造解析:

相関行列を使用してデータ内のパターンを見つける手法です。
潜在変数を特定し、データ間の関係性を明らかにします。

相違点

項目	主成分分析（PCA）	因子分析（FA）
目的	データ全体の分散を説明することが目的です。	データ内の共通構造や因果関係をモデル化することが目的です。
成果	観測変数の総分散が最大となるような新しい座標軸（主成分）を見つけます。	観測変数の共分散を説明する少数の潜在因子（共通因子）を見つけます。
方法	分散が大きいほど、その特徴量は情報を持っていると仮定し、元の分散を維持しながら特徴量を統合していきます。	各特徴量は、共通部分＋固有部分＋誤差で成り立っていると仮定し、数学的に共通部分を求めます。
解釈	データ全体の分散を説明します。ノイズも含まれます。	観測変数間の共分散を説明します。但し、固有因子（誤差）を含みません。

用途による違い

応用	主成分分析（PCA）	因子分析（FA）	備考
次元削減	○	○	両方の手法ともに次元削減のために利用されます。PCAは分散を最大化する方向を見つけ、因子分析は共分散を説明します。
データの圧縮	○	×	PCAは情報の損失を最小限に抑えてデータを圧縮しますが、因子分析は圧縮を目的としていません。
ノイズ除去	○	○	両方の手法ともにノイズ除去に利用されます。PCAは分散が小さい成分を無視することでノイズを取り除き、因子分析は固有因子を分離します。
データの可視化	○	○	両方の手法ともに2次元や3次元にデータをプロットするために利用されます。
データの前処理	○	○	次元削減によりデータの前処理が容易になります。
分散最大化	○	×	PCAは分散を最大化する方向を見つけますが、因子分析は共分散を説明する共通因子を見つけます。
共通因子の抽出	×	○	因子分析は共通因子を抽出するために利用されますが、PCAはこれを目的としていません。
潜在変数の特定	×	○	因子分析は潜在変数を特定しますが、PCAは潜在変数を特定することを目的としていません。
機械学習の前処理	○	×	PCAは次元削減により機械学習モデルの前処理として利用されますが、因子分析はあまり利用されません。
データの解釈・理解	○	○	両方の手法ともにデータの構造やパターンを理解するために利用されます。
固有値・固有ベクトルの利用	○	×	PCAは固有値・固有ベクトルを利用しますが、因子分析は異なるアプローチを取ります。
異常検知	○	△	PCAは異常検知に利用されますが、因子分析は異常検知にも利用可能ですが、PCAほど一般的ではありません。
説明変数の選択	○	△	PCAは重要な説明変数を選択するために利用されますが、因子分析も利用できますが、PCAの方が一般的です。

まとめ

今回は、主成分分析（PCA）と因子分析（FA）についての違いを文章だけで比較してみました。両者は非常によく似ていますが、両者は目的が違います。
主成分分析（PCA）は、分散が最大となるような新しい座標軸（主成分）を見つけることが目的ですが、共通因子（FA）は観測変数を共通部分＋固有部分＋誤差間に分解し、共通部分（共分散）の関係性を見つけることが目的となります。

Pythonで主成分分析、因子分析を使いたい場合は、下記の記事が役に立つと思います。コピペで使えるサンプルソースが掲載されているので、すぐに試せるようになっています。

【Python実践】データ分析の影の立役者！主成分分析（PCA）の使い方ガイド
 【Python実践】データに潜む共通点を見つける！因子分析（FA)の使い方ガイド