#特征预处理#二维数组

sklearn特征处理API

sklearn. preprocessing

1.sklearn归一化API:  

from sklearn.preprocessing import MinMaxScaler

#例

def mm():
    """
    归一化处理
    :return: NOne
    """
    mm = MinMaxScaler(feature_range=(2, 3))

    data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])

    print(data)

    return None

 ⽬的：是的某⼀个特征对最终结果不会造成更⼤影响

 缺点：异常点的数据对结果影响较大。注意在特定场景下最大值最小值是变化的，另外，最大值与最小值非常容易受异常点影响，所以这种方法鲁棒性较差，只适合传统精确小数据场景

 

from sklearn.preprocessing import StandardScaler

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)

    return None

 

 在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据场景

from sklearn.impute import SimpleImputer

 

def im():
    """
    缺失值处理
    :return:NOne
    """
    # NaN, nan
    im = Imputer(missing_values='NaN', strategy='mean', axis=0)

    data = im.fit_transform([[1, 2], [np.nan, 3], [7, 6]])

    print(data)

    return None

axis=0 按列