笔记4.3.2标准化

标准化又称标准差规范化或Z标准化（Z_Score Normalization），对样本每个特征分别进行计算使其满足正态分布--均值0、标准差1，

# 引用相应的库，numpy用于生成缺失值，引用sklearn.processing库，其中包含绝大部分的数据与处理方法
from sklearn import preprocessing
import numpy as np
# 原始数据X
X=np.array([[3,-2.,2.],[2.,0.,0.],[1,2.,3.]])
# 初始化数据预处理器，用标准化缩放
standard_scaler=preprocessing.StandardScaler()
# 数据转换并打印
X_standard=standard_scaler.fit_transform(X)
print(u"标准化变换的结果如下：\n")
print(X_standard)
# 输出其均值
print(u"输出标准化变换之后的均值：\n")
print(X_standard.mean(axis=0))
# 输出其标准差
print(u"输出标准化之后的标准差：\n")
print(X_standard.std(axis=0))

 输出结果

标准化变换的结果如下：

[[ 1.22474487 -1.22474487  0.26726124]
 [ 0.          0.         -1.33630621]
 [-1.22474487  1.22474487  1.06904497]]
输出标准化变换之后的均值：

[ 0.00000000e+00  0.00000000e+00 -7.40148683e-17]
输出标准化之后的标准差：

[1. 1. 1.]

标准化转换后均值0，标准差1，满足标准正态分布

所有预处理方法都提供函数接口，函数调用代码实现如下：

# 标准化缩放函数化实现
X_standard=preprocessing.scale(X)
print(X_standard)

输出

标准化变换后结果如下
[[ 1.22474487 -1.22474487  0.26726124]
 [ 0.          0.         -1.33630621]
 [-1.22474487  1.22474487  1.06904497]]