sklearn StandardScaler 为所有输入返回全零答案

【问题标题】：sklearn StandardScaler returns all zeros for all inputsklearn StandardScaler 为所有输入返回全零
【发布时间】：2019-11-23 12:29:20
【问题描述】：

我在一个 1 行 8 列的矩阵中设置来自用户的输入，并且特征缩放这些值，以便我可以使用矩阵中的值来预测我得到的错误是

ValueError: 找到昏暗的数组 3. StandardScaler 预期

我试过了

  matrix = q.fit_transform(matrix[:, np.newaxis])

但它返回 -Found array with dim 3. StandardScaler expected

 R = int(input("Enter the number of rows:")) 
 C = int(input("Enter the number of columns:")) 


 print("Enter the entries in a single line (separated by space): ") 

 entries = list(map(float, input().split())) 

 matrix = np.array(entries).reshape(R, C) 
 print(matrix)

 matrix = q.fit_transform(matrix)

我期待StandardScale 结果，但它返回

[0.000000000000000000e+00   0.000000000000000000e+00     
0.000000000000000000e+00    0.000000000000000000e+00     
0.000000000000000000e+00    0.000000000000000000e+00     
0.000000000000000000e+00    0.000000000000000000e+00]

【问题讨论】：

标签： python-3.x numpy scikit-learn

【解决方案1】：

我想你误解了StandardScaler的逻辑。每个数据点都减去平均值并用标准偏差进行归一化。因此，如果数据点的数量为 1，则它变为零。

来自Documentation：

样本x的标准分计算如下：

z = (x - u) / s

其中 u 是训练样本的平均值，如果 with_mean=False，s是训练的标准差样本或如果 with_std=False 则为一个。

因此，如果您只有一个数据点，那么标准分数将始终为零。

from sklearn.preprocessing import StandardScaler
data = [[1, 2, 3, 1, 3, 2, 1]]
scaler = StandardScaler()
print(scaler.fit_transform(data))

# [[0. 0. 0. 0. 0. 0. 0.]]

【讨论】：