Python数据标准化

Z-score标准化

1.产生随机数

import numpy as np
## 产生随机数
data_1 = np.random.randn(3, 4) # 从标准正态分布中返回一个或多个样本值.
data_2 = np.random.rand(3, 4)  # 产生(0,1)的数
print('randn产生的随机数:
', data_1)
print('rand产生的随机数:
', data_2)
Shape = data_1.shape
print('data_1的维数:
', Shape)

2.使用sklearn包

from sklearn.preprocessing import StandardScaler

## 标准化(使特征数据方差为1,均值为0)

# 使用sklearn的包
scaler = StandardScaler()
scaler.fit(data_2)                               # 使用transfrom必须要用fit语句
trans_data_2 = scaler.transform(data_2)          # transfrom通过找中心和缩放等实现标准化
fit_trans_data_2 = scaler.fit_transform(data_2)  # fit_transfrom为先拟合数据,然后转化它将其转化为标准形式
print('使用fit,transform标准化的数据:
', trans_data_2)
print('使用fit_transform标准化的数据:
', fit_trans_data_2)

3.使用numpy进行处理

import numpy as np
# 使用numpy的语句
Sum_total = data_2.sum()        # 整个矩阵求和
Sum_row = data_2.sum(axis=1)    # 行求和
Sum_col = data_2.sum(axis=0)    # 列求和
mean = np.mean(data_2, axis=0)  # 求平均值
std = np.std(data_2, axis=0)    # 标准差
var = std**2
print('data_2求和为:
', Sum_col/3)
print('平均值为:
', mean)
print('方差为:
', var)
numpy_trans_data_2 = (data_2 - mean)/std
print('使用numpy进行标准化:
', numpy_trans_data_2)

 注意:z-score标准化是要除以std(标准差),恰好对应于StandardScaler()

　　min-max标准化仅仅将StandardScaler()换为MinMaxScaler()即可