python数据分析中使用pandas进行预处理 的 标准化数据

标准化数据

1.离差标准化数据（对原始数据的一种线性变换，结果映射到[0,1]区间）

import pandas as pd
import numpy as np
detail=pd.read_csv('../数据分析/detail.csv',encoding='gbk',index_col=0)
def MinMaxScale(data): #自定义离差标准化函数
    data=(data-data.min())/(data.max()-data.min())
    return data
data1=MinMaxScale(detail['counts'])
data2=MinMaxScale(detail['amounts'])
data3=pd.concat([data1,data2],axis=1)
print('离差标准化之前 销量和售价数据为：\n',detail[['counts','amounts']].head())
print('离差标准化之后 销量和售价数据为：\n',data3.head())

2.标准差标准化数据（经过该方法处理的数据均值为0，标准差为1）

import pandas as pd
import numpy as np
detail=pd.read_csv('../数据分析/detail.csv',encoding='gbk',index_col=0)
def StandardScaler(data): #自定义标准差标准化函数
    data=(data-data.mean())/data.std()
    return data
data4=StandardScaler(detail['counts'])
data5=StandardScaler(detail['amounts'])
data6=pd.concat([data4,data5],axis=1)
print('标准差标准化之前 销量和售价数据为：\n',detail[['counts','amounts']].head())
print('标准差标准化之前 销量和售价数据为：\n',data6.head())

3.小数定标标准化数据（数据缩小，将数据映射到区间[-1,1] ）

import pandas as pd
import numpy as np
detail=pd.read_csv('../数据分析/detail.csv',encoding='gbk',index_col=0)
def DecimalScaler(data):
    data=data/10**np.ceil(np.log10(data.abs().max()))
    return data
data7=DecimalScaler(detail['counts'])
data8=DecimalScaler(detail['amounts'])
data9=pd.concat([data7,data8],axis=1)
print('小数定标标准化之前 销量和售价数据为：\n',detail[['counts','amounts']].head())
print('小数定标准化之前 销量和售价数据为：\n',data9.head())