# 使用StandardScaler進(jìn)行數(shù)據(jù)預(yù)處理
import
numpy
import
matplotlib
.
pyplot
as
plt
from
sklearn
.
datasets
import
make_blobs
X
,
y
=
make_blobs
(
n_samples
=
40
,
centers
=
2
,
random_state
=
50
,
cluster_std
=
2
)
plt
.
scatter
(
X
[
:
,
0
]
,
X
[
:
,
1
]
,
c
=
y
,
cmap
=
plt
.
cm
.
cool
)
plt
.
show
(
)
# 導(dǎo)入StandardScaler
from
sklearn
.
preprocessing
import
StandardScaler
# 使用StandardScalera進(jìn)行數(shù)據(jù)預(yù)處理
X_1
=
StandardScaler
(
)
.
fit_transform
(
X
)
# 用散點圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點
plt
.
scatter
(
X_1
[
:
,
0
]
,
X_1
[
:
,
1
]
,
c
=
y
,
cmap
=
plt
.
cm
.
cool
)
# 顯示圖像
plt
.
show
(
)
# 導(dǎo)入MinMaxScaler
from
sklearn
.
preprocessing
import
MinMaxScaler
# 使用MinMaxScaler進(jìn)行數(shù)據(jù)預(yù)處理
X_2
=
MinMaxScaler
(
)
.
fit_transform
(
X
)
# 用散點圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點
plt
.
scatter
(
X_2
[
:
,
0
]
,
X_2
[
:
,
1
]
,
c
=
y
,
cmap
=
plt
.
cm
.
cool
)
# 顯示圖像
plt
.
show
(
)
# 導(dǎo)入RobustScaler
from
sklearn
.
preprocessing
import
RobustScaler
# 使用RobustScaler進(jìn)行數(shù)據(jù)預(yù)處理
X_3
=
RobustScaler
(
)
.
fit_transform
(
X
)
# 用散點圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點
plt
.
scatter
(
X_3
[
:
,
0
]
,
X_3
[
:
,
1
]
,
c
=
y
,
cmap
=
plt
.
cm
.
cool
)
# 顯示圖像
plt
.
show
(
)
# 導(dǎo)入Normalizer
from
sklearn
.
preprocessing
import
Normalizer
# 使用Normalizer進(jìn)行數(shù)據(jù)預(yù)處理
X_4
=
Normalizer
(
)
.
fit_transform
(
X
)
# 用散點圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點
plt
.
scatter
(
X_4
[
:
,
0
]
,
X_4
[
:
,
1
]
,
c
=
y
,
cmap
=
plt
.
cm
.
cool
)
# 顯示圖像
plt
.
show
(
)
引用文章: 有關(guān)StandardScaler的transform和fit_transform方法
https://www.jianshu.com/p/2a635d9e894d
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
