sklearn学习-sklearn.prepprocess.StandardScaler

官方文档点此处
源码点此处

1 api介绍

StandardScaler是通过去均值和缩放到方差单位来标准化特征(Standardize features by removing the mean and scaling to unit variance)
其方法如下：
$$z=\frac{x-\mu }{s}$$
其中$\mu$为均值，s为方差.

1.1 StandardScaler()

class sklearn.preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True)

• with_mean: 如果均值为0，则with_mean = False
• with_std: 如果方差为1，则with_std = False
• **copy:**为false则不返回副本

1.2 属性(Attributes)

• scale_: ndarray或者None，是每个特征的相对缩放比例，根据np.sqrt(var_)计算，with_std=False时为None
• mean_: ndarray或者None，每个特征的平均值，with_mean=False时为None
• var_: ndarray或者None，每个特征的方差，用于计算scale_,with_std=False时为None
• n_samples_seen: int或者array，解释没太看懂，目测为每个特征中数据的数量

1.3 方法(method)

• fit( self , X , y = None ): 计算用来进行缩放的平均值和标准差。X是用于计算平均值和标准差的数据，y可忽略(官方文档这么写的，我还没有看源码)，没有返回值
• fit_transform( slef , X , y = None , **fit_params ): 先fit()得到缩放所需的参数，然后对数据进行缩放。 X是训练集(array类型），y是目标值(array类型)，fit_params是拟合参数(dic类型)。返回值： X_new(array类型)，转化后的特征
• get_params(self , deep = True): 如果deep为True获取此评估器(estimators)的参数（params），**返回值：**参数名称到对应值的映射。
• inverse_transform(self, X, copy = None): 按照比例，将数据复原。
• partial_fit(self, X, y = None): 将X按每一个分量来计算平均值和标准差
• set_params(self, **params): 设置评估器的参数
• transform(self, X, copy=None)： 执行缩放。

1.3.1 fit_transform()和transform()的区别

fit_transform()执行共有两步:

• 第一步执行fit()，得到执行缩放的参数。
• 第二部执行缩放。

transform仅执行缩放，通常标准化数据时，如果已经执行过fit()或者fit_transform()，则可以直接执行transform()。

2 实例

import numpy as np
from sklearn.preprocessing import StandardScaler

data = [[0,0],[1,1],[2,2]]
data2 = [[1,1],[2,2],[1,1]]
scaler = StandardScaler()
print(scaler)
# StandardScaler(copy=True, with_mean=True, with_std=True)

scaler.fit(data)
# 获取参数
print(scaler.mean_)
# [1. 1.]
print(scaler.scale_)
# [0.81649658 0.81649658]
print(scaler.var_)
# [0.66666667 0.66666667]
print(scaler.n_samples_seen_)
# 3

data_scaled = scaler.transform(data)
# 因为已经fit()，所以可以执行transform(),否则会报错。
# 若未执行fit(),可选择scaler.fit_transform(data)。
print(data_scaled)
# [[-1.22474487 -1.22474487]
# [ 0.          0.        ]
# [ 1.22474487  1.22474487]]