熊猫数据标准化
原文:https://www . geesforgeks . org/data-normalization-with-pandas/
在这篇文章中，我们将学习如何在熊猫中标准化数据。让我们先讨论一些概念:
- Pandas: Pandas 是一个开源库，建立在 NumPy 库之上。它是一个 Python 包，提供了各种数据结构和操作来操作数字数据和统计数据。主要是因为导入和分析数据容易得多。熊猫速度快，对用户来说是高效的&。
- 数据标准化:数据标准化也可以是机器学习中的典型实践，包括将数值列转换为标准标度。在机器学习中，一些特征值与其他特征值相差很多倍。价值较高的特征将主导学习过程。
所需步骤
在这里，我们将应用一些技术来规范化数据，并借助示例讨论这些技术。为此，让我们了解熊猫数据标准化所需的步骤。
- 导入库(熊猫)
- 导入/加载/创建数据。
- 使用该技术来规范化数据。
示例
这里，我们通过一些随机值创建数据，并对其应用一些规范化技术。
Python 3
# importing packages
import pandas as pd
# create data
df = pd.DataFrame([
[180000, 110, 18.9, 1400],
[360000, 905, 23.4, 1800],
[230000, 230, 14.0, 1300],
[60000, 450, 13.5, 1500]],
columns=['Col A', 'Col B',
'Col C', 'Col D'])
# view data
display(df)
输出:
请参见此数据框的图表:
Python 3
import matplotlib.pyplot as plt
df.plot(kind = 'bar')
让我们一个一个地应用规范化技术。
使用最大绝对缩放
最大绝对缩放通过将每个观察值除以其最大绝对值，在-1 和 1 之间重新缩放每个特征。我们可以使用。max()和。abs()方法，如下所示。
Python 3
# copy the data
df_max_scaled = df.copy()
# apply normalization techniques
for column in df_max_scaled.columns:
df_max_scaled[column] = df_max_scaled[column] / df_max_scaled[column].abs().max()
# view normalized data
display(df_max_scaled)
版权属于：月萌API www.moonapi.com，转载请注明出处
