如何在 python 中规范化或标准化数据集的特定或选定特征

Question

我有数据，数据框的名称是 Table，Table 包含 15 个特征，我只想规范化 3 个数字数据特征，这些特征的名称是“rate”、“cost”和“Total”成本'。请问，我该如何解决这个问题？

我尝试通过使用过滤它们来提取所需的特征 Table.loc[:,['rate',cost',total cost'] 并传递给 column_trans

从 sklearn.compose 导入 ColumnTransformer

从 sklearn.preprocessing 导入 StandarScaler

column_trans = ColumnTransformer(

[('scaler', StandardScaler(),Table.loc[:,['rate','cost','Totalcost']]

remainder='passthrough') 

column_trans.fit_transform(X)

我希望得到归一化特征的 0 和 1 之间的值。

但我收到以下错误消息。

文件“”，第 5 行 余数='直通') ^ SyntaxError: 无效语法

Answer 1

聪明的贡献@Parthasarathy，我注意到其中一个功能是具有 NAN 值 另一个特征是整数，所以我将 Nan 值转换为 0，并将 astype 应用于整数特征。我应用了以下代码：

从 sklearn.preprocessing 导入标准化

continuous_columns = ['rate','cost','Totalcost']

continuous_data= 电信[continuous_columns]

continuous_data['rate']= Continuous_data['rate'].astype(float)

normalized_data = normalize(continuous_data)

Answer 2

你可以试试这个

from sklearn.preprocessing import normalize

continuous_columns = ['rate','cost','Totalcost']
continuous_data= Table.loc[:, continuous_columns]
continuous_data['rate']= continuous_data['rate'].astype(float)
continuous_data['cost']= continuous_data['cost'].astype(float)
continuous_data['Totalcost']= continuous_data['Totalcost'].astype(float)
normalized_data = normalize(continuous_data)

normalized_data_df =pd.DataFrame(normalized_data , columns=continuous_columns) 
Table = Table.drop(continuous_columns, axis=1)
Final_data = pd.concat([Table, normalized_data_df ], axis=1)

现在Final_data 包含您要查找的内容。

希望这会有所帮助！