要保留最低方差的PCA向量，可以使用Python中的sklearn库。

以下是一个示例代码：

from sklearn.decomposition import PCA
import numpy as np

# 创建一个样本矩阵
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

# 创建PCA对象并拟合数据
pca = PCA()
pca.fit(X)

# 获取保留最低方差的主成分数量
variance_threshold = 0.9  # 设置一个阈值，表示要保留的方差比例
cumulative_variance_ratio = np.cumsum(pca.explained_variance_ratio_)
num_components = np.argmax(cumulative_variance_ratio > variance_threshold) + 1

# 使用保留的主成分数量来进行PCA降维
pca = PCA(n_components=num_components)
X_transformed = pca.fit_transform(X)

# 输出结果
print("原始数据矩阵的维度：", X.shape)
print("降维后的数据矩阵的维度：", X_transformed.shape)

在上面的示例中，我们首先创建了一个样本矩阵X，然后创建了一个PCA对象并拟合数据。接下来，我们使用np.cumsum()函数计算了累积方差比例，并使用np.argmax()函数找到了第一个超过阈值的索引。然后，我们创建了一个新的PCA对象，设置主成分数量为保留的数量，并使用fit_transform()函数对数据进行降维。最后，我们输出了原始数据矩阵和降维后的数据矩阵的维度。

请注意，variance_threshold变量表示要保留的方差比例阈值，您可以根据需要进行调整。此示例中的阈值为0.9，表示保留90%的方差。