sklearn特征预处理：归一化和标准化

sklearn特征预处理：归一化和标准化

特征预处理：通过一些转换函数，将特征数据转换成更加适合算法模型的特征数据。API：sklearn.preprocessing
数值型数据的无量纲化：
1、归一化：x_new = (x - min)/(max - min)，如果将其映射到指定的区间(a，b)，则：x_new_new = x_new * (b-a) + a，一般是映射到(0，1)，则：x_new_new = x_new。
归一化的缺点：如果数据中有异常值（最大值和最小值），影响比较大，鲁棒性比较差。
2、标准化：x_new = (x - mean)/bzc，bzc：标准差。标准化处理之后，数据的平均值是0，标准差是1。
标准化受异常值影响比较小，适用于数据多的场合。
以下是用sklearn模块进行归一化和标准化的示例代码：

from sklearn.preprocessing import MinMaxScaler,StandardScaler
import pandas as pd
import numpy as np

def minmax_demo():
    #归一化
    #获取数据
    data = pd.read_csv('data.txt')
    data = data.iloc[:,:3]  #只需要前3列的特征数据，目标数据不需要
    #实例化一个转换器类
    transfer = MinMaxScaler(feature_range=[0,1])
    #调用fit_transform
    data_new = transfer.fit_transform(data)
    print(data_new)
    return None

def standard_demo():
    #标准化
    #获取数据
    data = pd.read_csv('data.txt')
    data = data.iloc[:,:3]  #只需要前3列的特征数据，目标数据不需要
    #实例化一个转换器类
    transfer = StandardScaler()
    #调用fit_transform
    data_new = transfer.fit_transform(data)
    print(data_new)
    return None

if __name__ == "__main__":
    #minmax_demo()
    standard_demo()