归一化，标准化，缺失值处理

最新推荐文章于 2023-09-08 11:17:49 发布

雪儿waii

最新推荐文章于 2023-09-08 11:17:49 发布

阅读量1.4k

点赞数

分类专栏： sklearn

本文链接：https://blog.csdn.net/XUEER88888888888888/article/details/88092575

版权

本文探讨了数据预处理中的关键步骤——归一化和标准化，这两种方法常用于调整数值特征的尺度，使其落入同一范围内。归一化通常将数据缩放至0-1区间，而标准化则使得数据符合正态分布，平均值为0，标准差为1。此外，还简要提及了如何处理数据集中的缺失值问题。

摘要由CSDN通过智能技术生成

归一化
在这里插入图片描述

标准化

在这里插入图片描述

from sklearn.preprocessing import MinMaxScaler ,StandardScaler,Imputer
import numpy as np



def mm():
    """
    归一化处理
    :return:
    """

    #mm = MinMaxScaler() 不指定范围，默认[0,1]
    mm = MinMaxScaler(feature_range=(2,3)) # 指定范围
    data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
    print(data)


def stand():
    """
    标准化缩放
    :return:
    """

    std = StandardScaler()
    data = std.fit_transform([[1,-1,3],[2,4,2],[4,6,-1]])
    print(data)



def im():
    """
    缺失值
    :return:
    """
    im = Imputer(missing_values="NaN",strategy="mean",axis=0) # axis=0 是按列
    data = im.fit_transform([[1,2],[np.nan,3],[7,6]])
    print(data)






if __name__ == "__main__":
    mm()
    stand()
    im()

结果：
在这里插入图片描述