sklearn——数据标准化

最新推荐文章于 2025-07-16 22:52:55 发布

原创

最新推荐文章于 2025-07-16 22:52:55 发布 · 7.7k 阅读

13 ·

CC 4.0 BY-SA版权

本文介绍了如何使用sklearn库的preprocessing模块进行数据标准化，包括函数sklearn.preprocessing.scale的参数解析。通过示例展示了如何对数据进行中心化和标准化处理，并强调了使用StandardScaler类在训练和测试集之间的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据集标准化

函数：
sklearn.preprocessing.scale(X, axis=0, with_mean=True, with_std=True, copy=True)

参数解释：
X : {array-like, sparse matrix}
要标准化的数据，numpy的array类数据。

axis : int (0 by default)
0表示特征的标准化，1表示样本的标准化。默认为0。

with_mean : boolean, True by default
是否中心化。

with_std : boolean, True by default
是否标准化。

copy : boolean, optional, default True
是否复制。

代码实例：

from sklearn.preprocessing import scale
import numpy as np

X = np.array([[ 1.,-1.,2.],[ 2.,0.,0.],[ 0.,1.,-1.]])
x_scale=scale(X=X,with_mean=True,with_std=True,copy=True)
print('原始数据：\n',X)
print('标准化数据：\n',x_scale)

运行结果为：

原始数据：
 [[ 1. -1.  2.]
 [ 2.  0.  0.]
 [ 0.  1. -1.]]

标准化数据：
 [[ 0.         -1.22474487  1.33630621]
 [ 1.22474487  0.         -0.26726124]
 [-1.22474487  1.22474487 -1.06904497]]`


使用scale()函数可以标准化数据，而使用sklearn.preprocessing.StandardScaler类，