sklearn.preprocessing的部分用法

类：sklearn.preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True)

通过减去均值并缩放到单位变量来标准化特征。

公式：(x-mean)/std，mean为均值，std为方差，计算时对每个属性/每列分别进行。结果是对于每个属性/每列的数据服从均值为0，方差为1的分布。

实现方式有两种：

（1）使用sklearn.preprocessing.StandardScaler()类，使用该类可以保存训练数据集的参数(scale_，mean_，var_)，然后直接使用其对象转换测试数据集

>>>import numpy as np
>>>from sklearn.preprocessing import preprocessing
>>>scaler=preprocessing.StandardScaler()

>>>iiii=np.array([[1.,-1.,2.],[2.,0.,0.],[0.,1,-1.]])

>>>jjjj=scaler.fit(iiii)

>>>jjjj

StandardScaler(copy=True,with_mean=True,with_std=True)

>>>jjjj.scale_

array([1., 0., 0.333333333])

>>>jjjj.var_
array([ 0.66666667,  0.66666667,  1.55555556])
>>>jjjj.transform(iiii)
array([[ 0.        , -1.22474487,  1.33630621],       [ 1.22474487,  0.        , -0.26726124],       [-1.22474487,  1.22474487, -1.06904497]])
使用该对象对测试数据进行标准化
>>>jjjj.transform([[-1., 1., 0.]])
array([[-2.44948974,  1.22474487, -0.26726124]])

（2）使用sklearn.preprocessing.scale()函数，可以直接对给定数据进行标准化

>>>iiii=np.array([[1.,-1.,2.],[2.,0.,0.],[0.,1,-1.]])

>>>jjjj=preprocessing.scale(iiii)

>>>jjjj

array([[ 0.        , -1.22474487,  1.33630621],       [ 1.22474487,  0.        , -0.26726124],       [-1.22474487,  1.22474487, -1.06904497]])
#处理后，数据的均值和方差

>>>jjjj.mean(axis=0)

array([0. , 0., 0.])

>>>jjjj.std(axis=0)
array([1. , 1., 1.])