要保留LDA和PCA的CSV特征标签，可以按照以下步骤进行操作：

1. 导入所需的库：

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis

2. 读取CSV文件数据：

data = pd.read_csv('data.csv')

3. 分离特征和标签：

X = data.iloc[:, :-1]  # 特征
y = data.iloc[:, -1]   # 标签

4. 进行PCA降维：

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

5. 进行LDA降维：

lda = LinearDiscriminantAnalysis(n_components=1)
X_lda = lda.fit_transform(X, y)

6. 将LDA和PCA的结果合并为一个新的DataFrame：

df = pd.DataFrame(X_pca, columns=['PCA1', 'PCA2'])
df['LDA'] = X_lda
df['Label'] = y

7. 将结果保存到CSV文件：

df.to_csv('result.csv', index=False)

上述代码将生成一个包含PCA和LDA结果以及对应标签的新CSV文件（result.csv）。每个样本的PCA结果将存储在'PCA1'和'PCA2'列中，LDA结果存储在'LDA'列中，标签存储在'Label'列中。

请注意，这只是一个示例代码，具体的实现可能需要根据数据的特点进行相应的调整。