# 使用StandardScaler进行数据预处理
import numpy
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
X,y=make_blobs(n_samples=40,centers=2,random_state=50,cluster_std=2)
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.cool)
plt.show()
# 导入StandardScaler
from sklearn.preprocessing import StandardScaler
# 使用StandardScalera进行数据预处理
X_1=StandardScaler().fit_transform(X)
# 用散点图绘制经过预处理的数据点
plt.scatter(X_1[:,0],X_1[:,1],c=y,cmap=plt.cm.cool)
# 显示图像
plt.show()
# 导入MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
# 使用MinMaxScaler进行数据预处理
X_2=MinMaxScaler().fit_transform(X)
# 用散点图绘制经过预处理的数据点
plt.scatter(X_2[:,0],X_2[:,1],c=y,cmap=plt.cm.cool)
# 显示图像
plt.show()
# 导入RobustScaler
from sklearn.preprocessing import RobustScaler
# 使用RobustScaler进行数据预处理
X_3=RobustScaler().fit_transform(X)
# 用散点图绘制经过预处理的数据点
plt.scatter(X_3[:,0],X_3[:,1],c=y,cmap=plt.cm.cool)
# 显示图像
plt.show()
# 导入Normalizer
from sklearn.preprocessing import Normalizer
# 使用Normalizer进行数据预处理
X_4=Normalizer().fit_transform(X)
# 用散点图绘制经过预处理的数据点
plt.scatter(X_4[:,0],X_4[:,1],c=y,cmap=plt.cm.cool)
# 显示图像
plt.show()
引用文章: 有关StandardScaler的transform和fit_transform方法
https://www.jianshu.com/p/2a635d9e894d