每个主成分都是所有原始变量的线性组合，且各变量的系数大小没有明确的分界线，故很难对每个主成分的含义做出解释；每个主成分都是原始变量的线性组合，各主成分之间相互独立；D.因子分析中，由于使用了因子旋转技术而使得因子得到更好的解释，但是对于主成分来说却很难表示出其明确的含义

关于主成分分析（PCA）和因子分析（FA）的区别和联系，以下是对各选项的分析：

A: 每个主成分都只包含部分原始变量，这些变量代表着相应主成分的明确含义。
- 这个说法不准确。实际上，每个主成分都是所有原始变量的线性组合，而不只是部分原始变量。主成分分析的目标是通过线性组合来解释数据的最大方差。

B: 每个主成分都是原始变量的线性组合，因此，各主成分之间存在一定的相关性。
- 这个说法不正确。主成分分析的一个关键目标是生成彼此正交（即不相关）的主成分。主成分之间是线性无关的，这意味着它们之间的相关性为零。

C: 因子分析需要假设各公因子之间互不相关，特殊因子之间也不相关，公因子和特殊因子之间也不相关；但是主成分分析不需要任何假设。
- 这个说法是正确的。因子分析假设公因子之间、特殊因子之间以及公因子和特殊因子之间都是不相关的，而主成分分析没有这些假设。

D: 公因子和主成分都不能被很好的解释。
- 这个说法不完全准确。公因子和主成分的解释性取决于具体的数据和研究背景。通常，主成分可以通过查看其对应的变量权重来解释，而因子分析的公因子可以通过旋转和解释负荷矩阵来理解。

综上所述，正确答案是：
C: 因子分析需要假设各公因子之间互不相关，特殊因子之间也不相关，公因子和特殊因子之间也不相关；但是主成分分析不需要任何假设。