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:\n\', data_1) print(\'rand产生的随机数:\n\', data_2) Shape = data_1.shape print(\'data_1的维数:\n\', 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:\n\', trans_data_2) print(\'使用fit_transform标准化的数据:\n\', 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:\n\', Sum_col/3) print(\'平均值为:\n\', mean) print(\'方差为:\n\', var) numpy_trans_data_2 = (data_2 - mean)/std print(\'使用numpy进行标准化:\n\', 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