# 使用StandardScaler進(jìn)行數(shù)據(jù)預(yù)處理import numpyimport matplotlib.pyplot as pltfrom sklearn.datasets import make_blobsX,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StandardScalerfrom 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(diǎn)圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點(diǎn)plt.scatter(X_1[:,0],X_1[:,1],c=y,cmap=plt.cm.cool)# 顯示圖像plt.show()

# 導(dǎo)入MinMaxScalerfrom 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(diǎn)圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點(diǎn)plt.scatter(X_2[:,0],X_2[:,1],c=y,cmap=plt.cm.cool)# 顯示圖像plt.show()

# 導(dǎo)入RobustScalerfrom 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(diǎn)圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點(diǎn)plt.scatter(X_3[:,0],X_3[:,1],c=y,cmap=plt.cm.cool)# 顯示圖像plt.show()

# 導(dǎo)入Normalizerfrom 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(diǎn)圖繪制經(jīng)過預(yù)處理的數(shù)據(jù)點(diǎn)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

總結(jié)

以上是生活随笔為你收集整理的深入浅出python机器学习_9.1_数据预处理_sklearn.preprocessing.StandardScaler MinMaxScaler RobustScaler Normalizer的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。