? ? ? ? ? ? ? ? Scikit-learn 數(shù)據(jù)預(yù)處理之標(biāo)準(zhǔn)化StandardScaler

1 聲明

本文的數(shù)據(jù)來自網(wǎng)絡(luò)，部分代碼也有所參照，這里做了注釋和延伸，旨在技術(shù)交流，如有冒犯之處請聯(lián)系博主及時(shí)處理。

2 StandardScaler簡介

StandardScaler當(dāng)數(shù)據(jù)(x)按均值(μ)中心化后，再按標(biāo)準(zhǔn)差(σ)縮放，數(shù)據(jù)就會(huì)服從為均值為0，方差為1的標(biāo)準(zhǔn)正態(tài)分布，該過程叫數(shù)據(jù)標(biāo)準(zhǔn)化(Standardization，又稱Z-score normalization)。

應(yīng)用場景：在分類、聚類、通過距離計(jì)算相似性時(shí)、使用PCA技術(shù)進(jìn)行降維時(shí)。

3 StandardScaler

計(jì)算方法:

import pandas as pd from sklearn.preprocessing import StandardScaler data = pd.DataFrame({'a':[1,2,3],'b':[5,6,6],'c':[9,100,2]} )#標(biāo)準(zhǔn)化(StandardScaler)，對列進(jìn)行特征轉(zhuǎn)換。 scale_x = StandardScaler() scale_data = scale_x.fit_transform(data) print(scale_data) print("均值:",round(scale_data.mean())) print("標(biāo)準(zhǔn)差:",round(scale_data.std()))

注：數(shù)據(jù)的矩陣形式如下：

計(jì)算過程示例版：

多種標(biāo)準(zhǔn)化的對比(圖片來自網(wǎng)絡(luò))

總結(jié)

以上是生活随笔為你收集整理的Scikit-learn 数据预处理之标准化StandardScaler的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。