sklearn——数据标准化
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，可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。
使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。
代码实例：
from sklearn.preprocessing import StandardScaler
import numpy as np
X = np.array([[ 1.,-1.,2.],[ 2.,0.,0.],[ 0.,1.,-1.]])
scaler=StandardScaler().fit(X) #声明类，并用fit()方法计算后续标准化的mean与std
print('\n均值：',scaler.mean_) #类属性：均值
print('方差：',scaler.var_) #类属性：方差
X_scale=scaler.transform(X) #转换X
print('\n标准化数据:\n',X_scale)
y=np.array([[1.,1.,1.],[2.,2.,2.]])
y_scale=scaler.transform(y) #测试集标准化
print('\n测试集标准化数据:\n',y_scale)
X_scale2=scaler.fit_transform(X) #直接计算并标准化的方法
print('\n原始数据直接标准化：\n',X_scale2)
运行结果：
均值： [1. 0. 0.33333333]
方差： [0.66666667 0.66666667 1.55555556]
标准化数据:
[[ 0. -1.22474487 1.33630621]
[ 1.22474487 0. -0.26726124]
[-1.22474487 1.22474487 -1.06904497]]
测试集标准化数据:
[[0. 1.22474487 0.53452248]
[1.22474487 2.44948974 1.33630621]]
原始数据直接标准化：
[[ 0. -1.22474487 1.33630621]
[ 1.22474487 0. -0.26726124]
[-1.22474487 1.22474487 -1.06904497]]