如何在Pandas数据框架中实现数据标准化

在这篇文章中，我们将学习如何对Pandas数据框架中的数据进行标准化。

标准化是特征缩放中一个非常重要的概念，它是特征工程的一个组成部分。当你为数据分析或机器学习收集数据时，我们会有很多特征，这些是独立的特征。在独立特征的帮助下，我们将尝试在监督学习中预测依赖特征。当你看到数据时，如果你看到数据中会有更多的噪音，这将使模型有可能受到异常值的影响。因此，我们通常会对数据进行规范化或标准化处理。现在让我们进一步讨论标准化的话题。

这是另一个缩减数据的过程，使机器学习模型更容易从中学习。在这种方法中，我们将尝试把平均值减少到’0’，把标准差减少到’1’。

你必须知道的另一件重要事情是，当你对数据进行规范化处理时，数值将缩减到一个特定的范围，即从0到1。

如何在Pandas数据框架中实现数据标准化？

方法1：在pandas中实现[Z-Score]

为了使pandas中的数据标准化，Z-Score是pandas中一个非常流行的方法，用来对数据进行标准化。Z-Score将告诉我们一个数值与平均值相差多少个标准差。当我们对数据进行标准化处理时，数据将被改变成一种特定的形式，其频率的图形将形成一个钟形曲线。转换数据的公式是。

如何在Pandas数据框架中实现数据标准化？

语法:

df['column'] =( df['column'] - df['column'].mean() )/ df['column'].std()

在这个方法中，我们将使用pandas内置函数mean()和std()对数据集的第一列进行标准化处理，这将给出该列数据的平均值和标准偏差。这样，通过简单的计算，用元素减去其平均值，再除以标准差，就可以得到数据的Z分数，也就是标准化的数据。

使用中的数据框架：

如何在Pandas数据框架中实现数据标准化？

例子：数据的标准化

# Importing the library
import pandas as pd
  
# Creating the data frame
details = {
    'col1': [1, 3, 5, 7, 9],
    'col2': [7, 4, 35, 14, 56]
}
  
# creating a Dataframe object
df = pd.DataFrame(details)
  
# Z-Score using pandas
df['col1'] = (df['col1'] - df['col1'].mean()) / df['col1'].std()

输出:

如何在Pandas数据框架中实现数据标准化？

方法2：使用scipy.stats()

Scipy是一个科学计算库。它可以单枪匹马地处理任何复杂的数学计算。像所有的计算一样，Scipy也可以处理统计学计算，所以我们只需一行代码就可以找到任何一列的Z分数。

语法:

scipy.stats.zscore( df[‘column’])

现在我们要通过使用scipy.stats.zscore()找到z分数来标准化我们数据的第二列，我们只需要提到这一列，该库就会处理一切。

例子：标准化的价值

# Importing the library
import pandas as pd
import scipy
from scipy import stats
  
  
# Creating the data frame
details = {
    'col1': [1, 3, 5, 7, 9],
    'col2': [7, 4, 35, 14, 56]
}
  
# creating a Dataframe object
df = pd.DataFrame(details)
  
# Z-Score using scipy
df['col2'] = stats.zscore(df['col2'])

输出:

如何在Pandas数据框架中实现数据标准化？

方法3：使用sci-kit learn标准扩展器

Sci-kit earn是一个机器学习和模型构建库。我们可以在这个库中进行许多操作，如预处理、分析，以及为各种机器学习如监督和无监督学习问题建立模型。在这个库中，一个叫做standardcaler()的预处理方法被用来对数据进行标准化。

语法:

scaler = StandardScaler() 
df = scaler.fit_transform(df)

在这个例子中，我们要将整个数据转换为标准化的形式。要做到这一点，我们首先需要创建一个standardcaler()对象，然后对数据进行拟合和转换。

例子：标准化的价值

# Importing the library
import pandas as pd
from sklearn.preprocessing import StandardScaler
  
  
# Creating the data frame
details = {
    'col1': [1, 3, 5, 7, 9],
    'col2': [7, 4, 35, 14, 56]
}
  
# creating a Dataframe object
df = pd.DataFrame(details)
  
# define standard scaler
scaler = StandardScaler()
  
# transform data
df = scaler.fit_transform(df)