深入浅出python机器学习_9.1_数据预处理_sklearn.preprocessing.StandardScaler MinMaxScaler RobustScaler Normalizer

# 使用StandardScaler进行数据预处理

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()

# 导入StandardScaler

from sklearn.preprocessing import StandardScaler

# 使用StandardScalera进行数据预处理

X_1=StandardScaler().fit_transform(X)

# 用散点图绘制经过预处理的数据点

plt.scatter(X_1[:,0],X_1[:,1],c=y,cmap=plt.cm.cool)

# 显示图像

plt.show()

# 导入MinMaxScaler

from sklearn.preprocessing import MinMaxScaler

# 使用MinMaxScaler进行数据预处理

X_2=MinMaxScaler().fit_transform(X)

# 用散点图绘制经过预处理的数据点

plt.scatter(X_2[:,0],X_2[:,1],c=y,cmap=plt.cm.cool)

# 显示图像

plt.show()

# 导入RobustScaler

from sklearn.preprocessing import RobustScaler

# 使用RobustScaler进行数据预处理

X_3=RobustScaler().fit_transform(X)

# 用散点图绘制经过预处理的数据点

plt.scatter(X_3[:,0],X_3[:,1],c=y,cmap=plt.cm.cool)

# 显示图像

plt.show()

# 导入Normalizer

from sklearn.preprocessing import Normalizer

# 使用Normalizer进行数据预处理

X_4=Normalizer().fit_transform(X)

# 用散点图绘制经过预处理的数据点

plt.scatter(X_4[:,0],X_4[:,1],c=y,cmap=plt.cm.cool)

# 显示图像

plt.show()

引用文章: 有关StandardScaler的transform和fit_transform方法
https://www.jianshu.com/p/2a635d9e894d