sklearn.preprocessing.scale

sklearn.preprcoessing包下有很多数据预处理的方法，preprocessing模块中的scale函数，可以用于数组的标准化。

标准化是怎么进行的呢？

根据官方的说明文档，沿任意轴（默认是列）标准化数据集，以均值为中心，按分量比例缩放至单位方差。

简单来说呢，就是把数组的每一列单独拿出来，对于任意一列，分别求其均值（X_mean）和方差（X_std ），让这一列的每个数（X）减去X_mean后除以X_std，再放回原来的位置就可以啦。

公式是 X_new = (X - X_mean) / X_std 

经过处理之后的数组，它每一列的均值为0，方差为1。

sklearn.preprocessing.scale的使用方法：

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

可以看到，scale函数中有X、axis、with_mean、with_std、copy五个参数，其中后四个都是有默认值的。通常我们只需要输入X就可以了。

几个参数：

X，表示需要进行标准化操作的数组或者矩阵。

axis，int类型，可以取值0或1，表示处理哪个维度上的数据，默认为0。0表示单独的标准化每个特征（列），1表示标准化每个观测样本（行）。

with_mean，布尔类型，默认为True，表示处理后的数据均值为0。

with_std，布尔类型，默认为True，表示处理后的数据方差为1。

copy，布尔类型，默认为True，当设置其为 False 时，执行就地行的标准化，避免复制（如果输入已经是 numpy 数组或 scipy.sparse CSC 矩阵并且axis为 1）。

代码：

from sklearn import preprocessing
import numpy as np
#待处理的数组
x_train = np.array([[ 1.0,-1.0,2.0],[ 2.0,0.0,2.0],[ 0.0,1.0 ,-1.0]])
#标准化，返回值赋值给x_scaled
x_scaled = preprocessing.scale(x_train)

x_scaled数组：

 我们也可以验证一下x_scaled的均值和方差：

It's all over！