当前位置：极客教程 > Pandas > Pandas DataFrame类 > 在Pandas中规范化一个列

在Pandas中规范化一个列

在Pandas中规范化一个列

在这篇文章中，我们将学习如何在Pandas中规范化一列。让我们先讨论一些概念。

  • Pandas。Pandas是一个建立在NumPy库之上的开源库。它是一个Python包，提供各种数据结构和操作，用于操作数字数据和统计。它主要因导入和分析数据更容易而流行。Pandas速度快，对用户来说，它是高性能和高生产力的。
  • 数据归一化。数据归一化也可能是机器学习中的一个典型做法，它包括将数字列转换为标准的刻度。在机器学习中，一些特征值与其他特征值有多次差异。具有较高数值的特征将在学习过程中占据主导地位。

需要的步骤

在这里，我们将应用一些技术来规范化列的值，并在例子的帮助下讨论这些。为此，让我们了解一下用Pandas进行规范化的步骤。

1.输入库（Pandas）。
2.导入/加载/创建数据。
3.使用该技术对该列进行规范化处理。

示例:

在这里，我们通过一些随机值创建数据，并在一列上应用一些规范化技术。

# importing packages
import pandas as pd
  
# create data
df = pd.DataFrame({'Column 1':[200,-4,90,13.9,5,
                               -90,20,300.7,30,-200,400],
                     
                   'Column 2':[20,30,23,45,19,38,
                               25,45,34,37,12]})
  
# view data
display(df)
Python

输出:

在Pandas中规范化一个列

数据集由两列组成，其中第1列没有被规范化，但第2列被规范化。因此，我们在第1列中应用规范化技术。

df['Column 1'].plot(kind = 'bar')
Python

输出:

在Pandas中规范化一个列

使用 最大的绝对比例

最大绝对缩放法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。我们可以在Pandas中使用.max()和.abs()方法来应用最大绝对缩放，如下所示。

# copy the data
df_max_scaled = df.copy()
  
# apply normalization techniques on Column 1
column = 'Column 1'
df_max_scaled[column] = df_max_scaled[column] /df_max_scaled[column].abs().max()
  
# view normalized data
display(df_max_scaled)
Python

输出:

在Pandas中规范化一个列

使用最小-最大特征缩放

最小-最大方法（通常称为归一化）通过减去特征的最小值，然后除以该范围，将特征重新划分为[0,1]的硬性范围。我们可以在Pandas中使用.min()和.max()方法来应用最小-最大比例。

# copy the data
df_min_max_scaled = df.copy()
  
# apply normalization techniques by Column 1
column = 'Column 1'
df_min_max_scaled[column] = (df_min_max_scaled[column] - df_min_max_scaled[column].min()) / (df_min_max_scaled[column].max() - df_min_max_scaled[column].min())    
  
# view normalized data
display(df_min_max_scaled)
Python

输出 :

在Pandas中规范化一个列

让我们用这个情节检查一下。

df_min_max_scaled['Column 1'].plot(kind = 'bar')
Python

在Pandas中规范化一个列

使用Z-score方法

z-score方法（通常称为标准化）将信息转化为平均值为0、典型偏差为1的分布。每个标准化值的计算方法是减去相应特征的平均值，然后除以质量偏差。

# copy the data
df_z_scaled = df.copy()
  
# apply normalization technique to Column 1
column = 'Column 1'
df_z_scaled[column] = (df_z_scaled[column] - df_z_scaled[column].mean()) / df_z_scaled[column].std()    
  
# view normalized data  
display(df_z_scaled)
Python

输出 :

在Pandas中规范化一个列

让我们用这个情节检查一下。

df_z_scaled['Column 1'].plot(kind = 'bar')
Python

在Pandas中规范化一个列

使用sklearn

通过将每个特征缩放到一个给定的范围来转换特征。这个估计器对每个特征进行单独的缩放和翻译，使其在训练集上处于给定的范围内，例如，在0和1之间。这里，我们将使用minmax缩放器。

from sklearn.preprocessing import MinMaxScaler
import numpy as np
  
# copy the data
df_sklearn = df.copy()
  
# apply normalization techniques
column = 'Column 1'
df_sklearn[column] = MinMaxScaler().fit_transform(np.array(df_sklearn[column]).reshape(-1,1))
  
# view normalized data  
display(df_sklearn)
Python

输出 :

在Pandas中规范化一个列

让我们用这个情节检查一下。

df_sklearn['Column 1'].plot(kind = 'bar')
Python

在Pandas中规范化一个列

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Pandas 精品教程

登录

找回密码？

注册