sklearn StandardScaler 返回全零答案

【问题标题】：sklearn StandardScaler returns all zerossklearn StandardScaler 返回全零
【发布时间】：2018-03-15 07:31:30
【问题描述】：

我从以前的模型中保存了一个 sklearn StandardScaler，并正在尝试将其应用于新数据

scaler = myOldStandardScaler
print("ORIG:", X)
print("CLASS:", X.__class__)
X = scaler.fit_transform(X)
print("SCALED:", X)

我有三个观察结果，每个观察结果都有 2000 个特征。如果我分别运行每个观察结果，我会得到一个全为零的输出。

ORIG: [[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[ 0.  0.  0. ...,  0.  0.  0.]]

但是如果我将所有三个观察结果添加到一个数组中，我会得到我想要的结果

ORIG: [[  0.00000000e+00   8.69737728e-08   7.53361877e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  9.49627142e-04   0.00000000e+00   0.00000000e+00 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[-1.07174217  1.41421356  1.37153077 ...,  0.          0.          0.        ]
[ 1.33494964 -0.70710678 -0.98439142 ...,  0.          0.          0.        ]
[-0.26320747 -0.70710678 -0.38713935 ...,  0.          0.          0.        ]]

我看过这两个问题：

两者都没有可接受的答案。

我试过了：

从 (1,n) 重塑为 (n,1)（这会产生不正确的结果）
将数组转换为np.float32 和np.float64（仍为零）
创建一个数组的数组（同样，全为零）
创建np.matrix（同样，全为零）

我错过了什么？ fit_transform 的输入是相同的类型，只是大小不同。

如何让 StandardScaler 处理单个观察结果？

【问题讨论】：

我也有同样的问题 :(

标签： python scikit-learn

【解决方案1】：

当您尝试将 StandardScaler 对象的 fit_transform 方法应用于大小为 (1, n) 的数组时，您显然会得到全零，因为对于每个数组数，您从中减去该数的平均值，即等于数字并除以该数字的标准。如果要正确缩放数组，应将其转换为大小为 (n, 1) 的数组。你可以这样做：

import numpy as np

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.fit_transform(X[:, np.newaxis])

在这种情况下，您可以通过其功能为一个对象获得标准缩放，这不是您要寻找的。
如果您想通过 3 个对象的一个特征进行缩放，您应该传递给 fit_transform 大小为 (3, 1) 的方法数组，其中某个特征的值对应于每个对象。

X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.fit_transform(X[:, np.newaxis]) # you should get
# array([[-1.07174217], [1.33494964], [-0.26320747]]) you're looking for

如果您想使用已安装的 StandardScaler 对象，则不应使用 fit_transform 方法，因为它会使用新数据重新调整对象。 StandardScaler 具有 transform 方法，可用于单次观察：

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.transform(X.reshape(1, -1))

【讨论】：

【解决方案2】：

我遇到了同样的问题。对于大小为 (1, n) 的数组问题的另一种（更简单）解决方案是将矩阵转置，其大小为 (n, 1)。

X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.transform(X.T)

【讨论】：