机器学习基本模型与算法在线实验闯关

第2关：数据标准化

任务描述

本关任务：在第一关的基础上，对x1 ~ x6数值型变量作均值-方差标准化处理，需要注意的是x7~x15名义变量不需要作标准化处理。

相关知识

为了完成本关任务，你需要掌握：1.如何做均值-方差规范化处理；2.如何对填充后的数据做极差规范化处理。

均值-方差规范化处理

指标之间的数据差异是比较大的，需要做规范化处理。现给出经过均值填充后的数据data，为了区分，记x=data，x1=data，对x做均值-方差规范化处理，对x1做极差规范化处理。

data：

首先，对x做均值-方差规范化处理，步骤如下：

1. #（1）导入均值-方差规范化模块StandardScaler。
2. from sklearn.preprocessing import StandardScaler
3. #（2）利用StandardScaler创建均值-方差规范化对象scaler。
4. scaler = StandardScaler()
5. #（3）调用scaler对象中的fit()拟合方法，对待处理的数据x进行拟合训练。
6. scaler.fit(x)
7. #（4）调用scaler对象中的transform()方法，返回规范化后的数据集x（覆盖原未规范化的x）。
8. X=scaler.transform(x)

示例代码如下：

1. from sklearn.preprocessing import StandardScaler
2. x=data
3. scaler = StandardScaler()
4. scaler.fit(x)
5. x=scaler.transform(x)

输出：

极差规范化处理

其次，对填充后的数据x1做极差规范化处理，基本步骤如下：

1. #（1）导入极差规范化模块MinMaxScaler。
2. from sklearn.preprocessing import MinMaxScaler #导入极差规范化模块
3. #（2）利用MinMaxScaler创建极差规范化对象min_max_scaler。
4. min_max_scaler = MinMaxScaler()
5. #（3）调用min_max_scaler中的fit()拟合方法，对待处理的数据x1进行拟合训练。
6. min_max_scaler.fit(x1)
7. #（4）调用min_max_scaler中的transform()方法，返回处理后的数据集x1（覆盖原未处理的X1）。
8. x1=min_max_scaler.transform(x1)

示例代码如下：

1. from sklearn.preprocessing import MinMaxScaler
2. x1=data
3. min_max_scaler = MinMaxScaler()
4. min_max_scaler.fit(x1)
5. x1=min_max_scaler.transform(x1)

输出：

编程要求

根据提示，在右侧编辑器补充代码。

测试说明

平台会对你编写的代码进行测试哦！ 开始你的任务吧，祝你成功！

---

任务代码

#在上一关的基础上，对自变量X中的数值变量（x1~x6）作均值-方差标准化处理
# 需要注意的是x7~x15名义变量不需要作标准化处理
# 返回结果X1，数据结构为数组形式
# X1中含有标准化后的x1~x6和未标准化的x7~x15
from sklearn.preprocessing import StandardScaler
def return_values():
    import numpy as np
    X=np.load('X.npy')
    scaler = StandardScaler()
    X1 = np.copy(X)
    X1[:, :6] = scaler.fit_transform(X[:, :6])
    return X1
#********** End **********#

---

你如果想知道这个均值—方差是怎么计算的下面是很直观的代码：

#在上一关的基础上，对自变量X中的数值变量（x1~x6）作均值-方差标准化处理
# 需要注意的是x7~x15名义变量不需要作标准化处理
# 返回结果X1，数据结构为数组形式
# X1中含有标准化后的x1~x6和未标准化的x7~x15
def return_values():
    import numpy as np
    X=np.load('X.npy')
    X1 = np.copy(X)
    X1[:, :6] = (X[:, :6] - np.mean(X[:, :6], axis=0)) / np.std(X[:, :6], axis=0)
    return X1
#********** End **********#