关于sklearn中StandardScaler的使用方式

在机器学习中经常会使用StandardScaler进行数据归一化，注意一旦调整好StandardScaler以后就保存下来，后面如果进行测试单个时，可以进行加载并对其进行标准化

StandardScaler 是一种常用的数据标准化方法，用于将数据转换为均值为 0，标准差为 1 的标准正态分布。

标准化过程如下：

1. 计算原始数据的均值 mean 和标准差 std。

2. 对原始数据进行标准化处理，即对每个数据点减去均值，再除以标准差

在 StandardScaler 中，均值和标准差的计算分别基于训练数据的样本，可以使用 fit 方法计算均值和标准差。然后，使用 transform 方法将数据标准化为标准正态分布。

注意

from sklearn.preprocessing import StandardScaler
import numpy as np

# 创建一个 3 x 2 的矩阵
X = np.array([[1, 2], [3, 4], [5, 6]])

# 创建 StandardScaler 对象
scaler = StandardScaler()

# 计算均值和标准差
scaler.fit(X)

# 将数据标准化为标准正态分布
X_scaled = scaler.transform(X)

# 打印结果
print("原始数据：\n", X)
print("均值：", scaler.mean_)
print("标准差：", scaler.scale_)
print("标准化后的数据：\n", X_scaled)

输出结果为：

原始数据：
 [[1 2]
  [3 4]
  [5 6]]
均值： [3. 4.]
标准差： [1.63299316 1.63299316]
标准化后的数据：
 [[-1.22474487 -1.22474487]
  [ 0.          0.        ]
  [ 1.22474487  1.22474487]]

在上面的代码中，我们首先创建了一个 3 x 2 的矩阵 X，然后创建了一个 StandardScaler 对象 scaler。通过调用 fit 方法计算了均值和标准差，并通过调用 transform 方法将原始数据标准化为标准正态分布。最后，我们打印了原始数据、均值、标准差和标准化后的数据。

使用 Python 内置的 pickle 模块保存 StandardScaler 对象

要注意fit_transform 和 fit + transform 的区别在于

• fit_transform 是一个组合方法，它将拟合数据和转换数据这两个步骤合并到一个方法中。它首先拟合数据，然后应用相同的拟合参数转换数据。在使用 fit_transform 方法时，你只需在训练集上调用一次，就可以同时进行拟合和转换，这样能够节省时间和代码。

• fit 和 transform 是单独的方法。fit 方法用于从数据中学习模型参数，例如，对于 StandardScaler，它计算并保存数据集的均值和标准差。transform 方法用于使用已学习的模型参数来转换数据。通常，你会在训练集上调用 fit 方法来拟合模型，并在训练集和测试集上分别调用 transform 方法来转换数据。

在使用机器学习算法时，通常将数据集分成训练集和测试集。通常情况下，我们只使用训练集拟合模型并保存模型，然后使用已保存的模型在测试集上转换数据。因此，在训练集上使用 fit_transform 方法，而在测试集上使用 transform 方法。

下面是一个示例，说明如何使用 fit_transform 方法和 fit + transform 方法对数据进行标准化：

from sklearn.preprocessing import StandardScaler
import numpy as np

# 创建一个 3 x 2 的矩阵
X = np.array([[1, 2], [3, 4], [5, 6]])

# 使用 fit_transform 方法标准化数据
scaler = StandardScaler()
X_scaled1 = scaler.fit_transform(X)

# 使用 fit 和 transform 方法标准化数据
scaler = StandardScaler()
scaler.fit(X)
X_scaled2 = scaler.transform(X)

# 打印结果
print("使用 fit_transform 方法标准化的结果：\n", X_scaled1)
print("使用 fit 和 transform 方法标准化的结果：\n", X_scaled2)

输出为：

使用 fit_transform 方法标准化的结果：
 [[-1.22474487 -1.22474487]
  [ 0.          0.        ]
  [ 1.22474487  1.22474487]]
使用 fit 和 transform 方法标准化的结果：
 [[-1.22474487 -1.22474487]
  [ 0.          0.        ]
  [ 1.22474487  1.22474487]]