利用sklearn.preprocessing.StandardScaler进行数据标准化

在机器学习开发中由于某些特征值不稳定，波动较大，会对我们求参时产生不利影响，所以常常需要进行数据标准化，在此专门记录一下数据标准化的方法

 

1. 首先导入模块

from sklearn.preprocessing import StandardScaler
import numpy as np

2. 接着实例化一个标准化对象

std = StandardScaler()

3. 准备好待标准化的数据 

这里必须数据必须是二维，即n行一列(None, 1) ，形如[[1],[2],[3],[4],[5],[6]],这里用numpy生成一个包含12个元素的数组再将reshape为(12,1),

a = np.arange(12).reshape(-1,1)

4. 直接调用fit_transform()传入待处理数据进行标准化，返回标准化后的数据，打印查看

b = std.fit_transform(a)
print(b)

5. 验证是否为标准化序列数据，若返回标准化数据，则其均值为0，标准差为1，在此计算其和以及其标准差

sd = 0
for i in b.flat:
    sd = sd + i * i
sd = np.sqrt((sd / 12))
print(sd)

print(b.sum())

print(0.000000001>b.sum())

b.flat返回numpy数组迭代器，我们遍历其求标准差,打印查看

b.sum()返回标准化数据的和  打印查看发现不为0,这是由于计算机对浮点数无法精确计算，打印0.000000001>b.sum()  为True 说明均值非常接近0，正确