使用StandardScaler（）函数对Python数据进行标准化

大家好，读者朋友们！在本文中，我们将专注于Python中最重要的预处理技术之一 – 使用StandardScaler()函数进行标准化。

那么，让我们开始吧！

对于标准化的需求

在进入标准化之前，让我们首先了解扩展的概念。

特征缩放是使用数据集建模算法的重要步骤。通常用于建模的数据是通过各种手段获得的。

• Questionnaire
• Surveys
• Research
• Scraping, etc.

因此，所获取的数据含有不同维度和尺度的特征。数据特征的不同尺度会对数据集的建模产生负面影响。

因为数据未经缩放，导致预测结果存在偏差，表现为错误分类率和准确率。因此，在建模之前有必要对数据进行缩放处理。

这就是标准化发挥作用的时候。

标准化是一种缩放技术，其将数据的统计分布转换为下面的格式，使数据与比例无关。

• mean – 0 (zero)
• standard deviation – 1

通过这样处理，整个数据集的均值为零，方差为单位。

让我们现在尝试在接下来的部分中实施标准化的概念。

Python sklearn StandardScaler() 函数可以被用来进行特征缩放。

Python的sklearn库为我们提供了StandardScaler()函数，用于将数据的值标准化为标准格式。

句法：用母语中文进行改写。只需要一种选项：

object = StandardScaler()
object.fit_transform(data)

根据以上语法，我们首先创建一个StandardScaler()函数的对象。进一步地，我们使用fit_transform()方法，并将分配的对象用于转换和标准化数据。

注意：标准化仅适用于遵循正态分布的数据值。

使用StandardScaler()函数对数据进行标准化。

来看一下下面的例子吧！

from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
 
dataset = load_iris()
object= StandardScaler()
 
# Splitting the independent and dependent variables
i_data = dataset.data
response = dataset.target
 
# standardization 
scale = object.fit_transform(i_data) 
print(scale)

解释：

1. 导入所需的库。我们已经导入了sklearn库以使用StandardScaler函数。

1. 加载数据集。这里我们使用了sklearn.datasets库中的IRIS数据集。你可以在这里找到数据集。

1. 设置一个对象到StandardScaler()函数。

1. 按照上面所示，将自变量和目标变量分开。

使用fit_transform()函数将函数应用到数据集上。

结果：

结论

根据此，我们已经结束了本主题的讨论。如果你有任何问题，请随意在下方评论。

想要了解更多与Python相关的帖子，请关注 Python with JournalDev，并在此期间继续学习！祝您学习愉快！ 🙂