Python sklearn PowerTransformer用法及代碼示例

本文簡要介紹python語言中 sklearn.preprocessing.PowerTransformer 的用法。

用法:

class sklearn.preprocessing.PowerTransformer(method='yeo-johnson', *, standardize=True, copy=True)

應用冪變換特征使數據更多Gaussian-like。

冪變換是一係列參數化、單調變換，用於使數據更豐富Gaussian-like。這對於建模與異方差(非常數方差)相關的問題或其他需要正態性的情況很有用。

目前，PowerTransformer 支持Box-Cox 變換和Yeo-Johnson 變換。通過最大似然估計穩定方差和最小化偏度的最佳參數。

Box-Cox 要求輸入數據嚴格為正，而Yeo-Johnson 支持正數據或負數據。

默認情況下，zero-mean、unit-variance 標準化應用於轉換後的數據。

在用戶指南中閱讀更多信息。

參數：

method：{‘yeo-johnson’，‘box-cox’}，默認=‘yeo-johnson’

功率變換方法。可用的方法有：

• ‘yeo-johnson’ [1]，適用於正值和負值
• ‘box-cox’ [2]，僅適用於嚴格正值

standardize：布爾，默認=真

設置為 True 以將zero-mean、unit-variance 標準化應用於轉換後的輸出。

copy：布爾，默認=真

設置為 False 以在轉換期間執行就地計算。

屬性：

lambdas_：ndarray 形狀的浮點數(n_features，)

所選特征的冪變換參數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

注意：

NaNs 被視為缺失值：在 fit 中忽略，並在 transform 中維護。

有關不同縮放器、轉換器和規範器的比較，請參閱示例/預處理/plot_all_scaling.py。

參考：

1

我知道。 Yeo 和 R.A.約翰遜，“一個新的權力轉換家族，以改善常態或對稱性。” Biometrika, 87(4), pp.954-959, (2000)。

2

G.E.P. Box 和 D.R.考克斯，“變革分析”，皇家統計學會雜誌 B，26, 211-252 (1964)。

例子：

>>> import numpy as np
>>> from sklearn.preprocessing import PowerTransformer
>>> pt = PowerTransformer()
>>> data = [[1, 2], [3, 2], [4, 5]]
>>> print(pt.fit(data))
PowerTransformer()
>>> print(pt.lambdas_)
[ 1.386... -3.100...]
>>> print(pt.transform(data))
[[-1.316... -0.707...]
 [ 0.209... -0.707...]
 [ 1.106...  1.414...]]