数据预处理_数据标准化

雨点打透心脏的1/2处 2022-05-13 03:26 288阅读 0赞

# min*max标准化*离差 #

# 公式：按列看，（x-min）/(max-min) #

X_train = np.array([[1,-1,2],
                       [2,0,0],
                       [0,1,-1]])
    min_max_scaler = preprocessing.MinMaxScaler()
    X_train_minmax = min_max_scaler.fit_transform(X_train)
    print(X_train_minmax)
    
    
    #缩放因子等属性
    print(min_max_scaler.scale_)
    print(min_max_scaler.min_)

在构造对象时也可以直接指定最大最小值的范围：feature\_range=(min,max),此时公式变为：  
X\_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))  
X\_std=X\_std/(max-min)+min

# 绝对值最大化标准化：将每个属性除以该属性的绝对值中最大值 #

from sklearn.preprocessing import MaxAbsScaler
    def test_MaxAbsScaler():
        X=[[1,5,1,2,10],
          [2,6,3,2,7],
          [3,7,5,6,4],
          [4,8,7,8,1]]
        print('before transform:',X)
        scaler=MaxAbsScaler()
        scaler.fit(X)
        print('scale_ is :',scaler.scale_)#每个属性的缩放倍数的倒数，也是每个所熟悉的绝对值的最大值
        print('max_abs_ is:',scaler.max_abs_)#给出每个属性的绝对值的最大值
        print('after transform:',scaler.transform(X))
    #标准化后，每个值的绝对值在【0,1】间
    test_MaxAbsScaler()

运行结果：

before transform: [[1, 5, 1, 2, 10], [2, 6, 3, 2, 7], [3, 7, 5, 6, 4], [4, 8, 7, 8, 1]]
    scale_ is : [ 4.  8.  7.  8. 10.]
    max_abs_ is: [ 4.  8.  7.  8. 10.]
    after transform: [[0.25       0.625      0.14285714 0.25       1.        ]
     [0.5        0.75       0.42857143 0.25       0.7       ]
     [0.75       0.875      0.71428571 0.75       0.4       ]
     [1.         1.         1.         1.         0.1       ]]

# z\_score标准化 #

1.采用preprocessing.StandardScaler(类  
使用该类的好处在于可以保存训练集中的参数（均值，方差）直接使用其的对象转换成测试集数据

而且还能把数据还原mm.fit\_transform(data)

from sklearn import preprocessing
    import numpy as np
    x=np.array([[1,-1,2],
               [2,0,0],
               [0,1,-1]])
    
    #1.采用preprocessing.StandardScaler(类
    #使用该类的好处在于可以保存训练集中的参数（均值，方差）直接使用其的对象转换成测试集数据
    scaler=preprocessing.StandardScaler().fit(x)#将缩放后的数据在经过 StandardScaler复原
    print(scaler.mean_ )
    print(scaler.var_ )
    print(scaler.transform(x))