Python - 使用 Pandas 逐列缩放数字

机器学习中的缩放数字是一种常见的预处理技术，用于在固定范围内标准化数据中存在的独立特征。当应用于Python序列（例如 Pandas 系列）时，缩放会产生一个新序列，以便列中的所有值都在一个范围内。例如，如果范围是 ( 0 ,1 )，则该列中的整个数据将仅在 0,1 范围内。

例子：

if the sequence is [1, 2, 3]
then the scaled sequence is [0, 0.5, 1]

应用：

• 在机器学习中，缩放可以提高各种算法的收敛速度。
• 通常在机器学习中，您会遇到变化很大的数据集，许多机器学习模型很难很好地处理这些数据，因此在这种情况下，缩放有助于将数据保持在一个范围内。

注意：我们将在本文中使用 Scikit-learn 来缩放 Pandas 数据框。

脚步：

1. 在Python导入 pandas 和 sklearn 库。
2. 调用 DataFrame 构造函数以返回一个新的 DataFrame。
3. 创建 sklearn.preprocessing.MinMaxScaler 的实例。
4. 调用 sklearn.preprocessing.MinMaxScaler.fit_transform(df[[column_name]]) 以从第一步返回 Pandas DataFrame df，其中指定的列 min-max 已缩放。

示例 1：

MinMax 的一个非常基本的例子

Python3

# importing the required libraries
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
  
# creating a dataframe for example
pd_data = pd.DataFrame({
    "Item": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    "Price": [100, 300, 250, 120, 910, 345, 124, 1000, 289, 500]
})
  
# Creating an instance of the sklearn.preprocessing.MinMaxScaler()
scaler = MinMaxScaler()
  
# Scaling the Price column of the created dataFrame and storing
# the result in ScaledPrice Column
pd_data[["ScaledPrice"]] = scaler.fit_transform(pd_data[["Price"]])
  
print(pd_data)

输出 ：

示例 2：您还可以一次缩放多个 Pandas，DataFrame 的列，您只需在 MinMaxScaler.fit_transform()函数传递列名。

蟒蛇3

# importing the required libraries
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
  
# creating a dataframe for example
pd_data = pd.DataFrame({
    "Item": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    "Price": [100, 300, 250, 120, 910, 345, 124, 1000, 289, 500],
    "Weight": [200, 203, 350, 100, 560, 456, 700, 250, 800, 389]
})
  
# Creating an instance of the sklearn.preprocessing.MinMaxScaler()
scaler = MinMaxScaler()
  
# Scaling the Price column of the created dataFrame and storing
# the result in ScaledPrice Column
pd_data[["ScaledPrice", "ScaledWeight"]] = scaler.fit_transform(
    pd_data[["Price", "Weight"]])
  
print(pd_data)

输出 ：

示例 3：默认情况下，MinMaxScaler() 类使用的比例值为 (0,1)，但您可以根据需要将其更改为您想要的任何值。

蟒蛇3

# importing the required libraries
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
  
# creating a dataframe for example
pd_data = pd.DataFrame({
    "Item": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    "Price": [100, 300, 250, 120, 910, 345, 124, 1000, 289, 500]
})
  
# Creating an instance of the sklearn.preprocessing.MinMaxScaler()
# specifying the min and max value of the scale
scaler = MinMaxScaler(feature_range=(20, 500))
  
# Scaling the Price column of the created dataFrame
# and storing the result in ScaledPrice Column
pd_data[["ScaledPrice"]] = scaler.fit_transform(pd_data[["Price"]])
  
print(pd_data)

输出 ：