数据预处理—数据转换（1）—数值型数据的处理

最新推荐文章于 2024-05-11 15:31:43 发布

养bug的码农

最新推荐文章于 2024-05-11 15:31:43 发布

阅读量1.6k

点赞数

本文链接：https://blog.csdn.net/weixin_42831571/article/details/103430482

版权

数据标准化是一个常用的数据预处理操作，目的是处理不同规模和量纲的数据，使其缩放到相同的数据区间和范围，以减少规模、特征、分布差异等对模型的影响。
标准化（Z-Score）
- Z-Score标准化是基于原始数据的均值和标准差进行的标准化，假设原转换的数据为x，新数据为x′，那么x’=(x-mean)/std，其中mean和std为x所在列的均值和标准差。
- 这种方法适合大多数类型的数据，也是很多工具的默认标准化方法。标准化之后的数据是以0为均值，方差为1的正态分布。但是Z-Score方法是一种中心化方法，会改变原有数据的分布结构，不适合对稀疏数据做处理。
归一化（Max-Min）
- Max-Min标准化方法是对原始数据进行线性变换，假设原转换的数据为x，新数据为x′，那么x’=(x-min)/(max-min)，其中min和max为x所在列的最小值和最大值。
- 这种标准化方法的应用非常广泛，得到的数据会完全落入[0，1]区间内（Z-Score则没有类似区间）。这种方法能使数据归一化而落到一定的区间内，同时还能较好地保持原有数据结构。

import numpy as np
from sklearn import preprocessing
import matplotlib.pyplot as plt

# Z-Score标准化
zscore_scaler = preprocessing.StandardSca

关注