Python数据预处理：彻底理解标准化和归一化

概述数据预处理 数据中不同特征的量纲可能不一致，数值间的差别可能很大，不进行处理可能会影响到数据分析的结果，因此，需要对数据按照一定比例进行缩放，使之落在一个特定的区域，便于进行综合分析。 常用的方法有两 数据预处理

数据中不同特征的量纲可能不一致，数值间的差别可能很大，不进行处理可能会影响到数据分析的结果，因此，需要对数据按照一定比例进行缩放，使之落在一个特定的区域，便于进行综合分析。

常用的方法有两种：

最大 - 最小规范化：对原始数据进行线性变换，将数据映射到[0,1]区间

Z-score标准化：将原始数据映射到均值为0、标准差为1的分布上

为什么要标准化/归一化？

提升模型精度：标准化/归一化后，不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。

加速模型收敛：标准化/归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解。

如下图所示：

哪些机器学习算法需要标准化和归一化

1）需要使用梯度下降和计算距离的模型要做归一化，因为不做归一化会使收敛的路径程z字型下降，导致收敛路径太慢，而且不容易找到最优解，归一化之后加快了梯度下降求最优解的速度，并有可能提高精度。比如说线性回归、逻辑回归、adaboost、xgboost、GBDT、SVM、NeuralNetwork等。需要计算距离的模型需要做归一化，比如说KNN、KMeans等。

2）概率模型、树形结构模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、随机森林。

彻底理解标准化和归一化

示例数据集包含一个自变量（已购买）和三个因变量（国家，年龄和薪水），可以看出用薪水范围比年龄宽的多，如果直接将数据用于机器学习模型（比如KNN、KMeans），模型将完全有薪水主导。

#导入数据import numpy as npimport matplotlib.pyplot as pltimport pandas as pddf = pd.read_csv('Data.csv')

缺失值均值填充,处理字符型变量

df['Salary'].fillna((df['Salary'].mean()),inplace= True)df['Age'].fillna((df['Age'].mean()),inplace= True)df['Purchased'] = df['Purchased'].apply(lambda x: 0 if x=='No' else 1)df=pd.get_dummIEs(data=df,columns=['Country'])

最大 - 最小规范化

from sklearn.preprocessing import MinMaxScalerscaler = MinMaxScaler()scaler.fit(df)scaled_features = scaler.transform(df)df_MinMax = pd.DataFrame(data=scaled_features,columns=["Age","Salary","Purchased","Country_France","Country_Germany","Country_spain"])

Z-score标准化

from sklearn.preprocessing import StandardScalersc_X = StandardScaler()sc_X = sc_X.fit_transform(df)sc_X = pd.DataFrame(data=sc_X,"Country_spain"])

import seaborn as snsimport matplotlib.pyplot as pltimport statisticsplt.rcParams['Font.sans-serif'] = ['Microsoft YaHei']fig,axes=plt.subplots(2,3,figsize=(18,12)) sns.distplot(df['Age'],ax=axes[0,0])sns.distplot(df_MinMax['Age'],1])axes[0,1].set_Title('归一化方差：% s '% (statistics.stdev(df_MinMax['Age'])))sns.distplot(sc_X['Age'],2])axes[0,2].set_Title('标准化方差：% s '% (statistics.stdev(sc_X['Age'])))sns.distplot(df['Salary'],ax=axes[1,0])sns.distplot(df_MinMax['Salary'],1])axes[1,1].set_Title('MinMax：Salary')axes[1,1].set_Title('归一化方差：% s '% (statistics.stdev(df_MinMax['Salary'])))sns.distplot(sc_X['Salary'],2])axes[1,2].set_Title('StandardScaler:Salary')axes[1,2].set_Title('标准化方差：% s '% (statistics.stdev(sc_X['Salary'])))

可以看出归一化比标准化方法产生的标准差小，使用归一化来缩放数据，则数据将更集中在均值附近。这是由于归一化的缩放是“拍扁”统一到区间（仅由极值决定），而标准化的缩放是更加“d性”和“动态”的，和整体样本的分布有很大的关系。所以归一化不能很好地处理离群值，而标准化对异常值的鲁棒性强，在许多情况下，它优于归一化。

参考：https://towardsdatascience.com/data-transformation-standardisation-vs-normalisation-a47b2f38cec2

总结

以上是内存溢出为你收集整理的Python数据预处理：彻底理解标准化和归一化全部内容，希望文章能够帮你解决Python数据预处理：彻底理解标准化和归一化所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。