當前位置: 首頁>>代碼示例>>Python>>正文


Python preprocessing.robust_scale方法代碼示例

本文整理匯總了Python中sklearn.preprocessing.robust_scale方法的典型用法代碼示例。如果您正苦於以下問題:Python preprocessing.robust_scale方法的具體用法?Python preprocessing.robust_scale怎麽用?Python preprocessing.robust_scale使用的例子?那麽, 這裏精選的方法代碼示例或許可以為您提供幫助。您也可以進一步了解該方法所在sklearn.preprocessing的用法示例。


在下文中一共展示了preprocessing.robust_scale方法的4個代碼示例,這些例子默認根據受歡迎程度排序。您可以為喜歡或者感覺有用的代碼點讚,您的評價將有助於係統推薦出更棒的Python代碼示例。

示例1: test_robust_standardize_to_sklearn

# 需要導入模塊: from sklearn import preprocessing [as 別名]
# 或者: from sklearn.preprocessing import robust_scale [as 別名]
def test_robust_standardize_to_sklearn(args):
    X, q_level = args

    q0, q1 = 0.5 * (1.0 - q_level), 0.5 * (1.0 + q_level)
    assert close_enough(q1 - q0, q_level)

    X_bo = stats.robust_standardize(X, q_level=q_level)

    X = X[:, None]
    X_skl = robust_scale(X, axis=0, with_centering=True, with_scaling=True, quantile_range=[100.0 * q0, 100.0 * q1])
    X_skl = X_skl[:, 0] * (sst.norm.ppf(q1) - sst.norm.ppf(q0))

    assert close_enough(X_bo, X_skl, equal_nan=True) 
開發者ID:uber,項目名稱:bayesmark,代碼行數:15,代碼來源:stats_test.py

示例2: sk_robust

# 需要導入模塊: from sklearn import preprocessing [as 別名]
# 或者: from sklearn.preprocessing import robust_scale [as 別名]
def sk_robust(X):
    return robust_scale(X) 
開發者ID:Metnew,項目名稱:neural-finance,代碼行數:4,代碼來源:neural_data.py

示例3: loopCalculate

# 需要導入模塊: from sklearn import preprocessing [as 別名]
# 或者: from sklearn.preprocessing import robust_scale [as 別名]
def loopCalculate(xyzArray,eps,fn):
    robustScaleList=[]
    totalNumber=[]
    CTableDic={}
    partialCorrelationsList=[]
    counter=0
    
    #逐一計算所有距離的聚類
    for i in eps:        
        pred,predLable=affinityPropagationForPoints(xyzArray,i) #聚類計算,返回預測值及簇類標

        pt_lyrName_w=r'%s_POI'%i #字符串格式化輸出文件名
        point2Shp(dataBunch,pred,fn,pt_lyrName_w) 
        print("%s has been written to disk"%i)

        counterData=Counter(pred)   #聚類簇類標頻數統計
#        print(counterData)
        counterValue=np.array(list(counterData.values()))
        cvFloat=counterValue.astype(float)
        robustScale=preprocessing.robust_scale(cvFloat.reshape(-1,1))  #如果數據中含有異常值,那麽使用均值和方差縮放數據的效果並不好,因此用preprocessing.robust_scale()縮放帶有outlier的數據 
        cvF=robustScale.ravel() #展平,注意numpy的ravel() 和 flatten()函數的區別
        robustScaleList.append(cvF)        
        totalNumber.append(len(predLable)) #預測類標的數量
        
        CTable,partial_correlations=contingencyTableChi2andPOISpaceStructure(dataBunch,pred,class_mapping,predLable,pt_lyrName_w) #返回列聯表與偏相關分析
        CTableDic[counter]=CTable
        counter+=1
        partialCorrelationsList.append(partial_correlations)
        
    return robustScaleList,totalNumber,CTableDic,partialCorrelationsList #返回所有計算距離:1.縮放後的聚類簇類標頻數統計 2.預測類標的數量 3.列聯表 4.偏相關分析 
開發者ID:richieBao,項目名稱:python-urbanPlanning,代碼行數:32,代碼來源:rasterPTSextraction_statistic_poi.py

示例4: loopCalculate

# 需要導入模塊: from sklearn import preprocessing [as 別名]
# 或者: from sklearn.preprocessing import robust_scale [as 別名]
def loopCalculate(df_osm,epsDegree,fn,eps):
    xyzArray=pd.DataFrame({"lon": df_osm['lon'] , "lat": df_osm['lat'] }).to_numpy()
    robustScaleList=[]
    totalNumber=[]
    CTableDic={}
    partialCorrelationsList=[]
    counter=0
    
    #逐一計算所有距離的聚類
    for i in range(len(epsDegree)):        
        pred,predLable=affinityPropagationForPoints(xyzArray,epsDegree[i]) #聚類計算,返回預測值及簇類標

        pt_lyrName_w=r'%s_POI'%eps[i] #字符串格式化輸出文件名
        point2Shp(df_osm,pred,fn,pt_lyrName_w) 
        print("\n%s has been written to disk"%i)
        
        counterData=Counter(pred)   #聚類簇類標頻數統計
#        print(counterData)
        counterValue=np.array(list(counterData.values()))
        cvFloat=counterValue.astype(float)
        robustScale=preprocessing.robust_scale(cvFloat.reshape(-1,1))  #如果數據中含有異常值,那麽使用均值和方差縮放數據的效果並不好,因此用preprocessing.robust_scale()縮放帶有outlier的數據 
        cvF=robustScale.ravel() #展平,注意numpy的ravel() 和 flatten()函數的區別
        robustScaleList.append(cvF)        
        totalNumber.append(len(predLable)) #預測類標的數量       
        
    return robustScaleList,totalNumber 
開發者ID:richieBao,項目名稱:python-urbanPlanning,代碼行數:28,代碼來源:OSM_data_cluster.py


注:本文中的sklearn.preprocessing.robust_scale方法示例由純淨天空整理自Github/MSDocs等開源代碼及文檔管理平台,相關代碼片段篩選自各路編程大神貢獻的開源項目,源碼版權歸原作者所有,傳播和使用請參考對應項目的License;未經允許,請勿轉載。