Блог

Главная - Вопросы по программированию - Минимально Максимальное масштабирование для всего фрейма данных python

Минимально Максимальное масштабирование для всего фрейма данных python

#python #pandas #dataframe #sklearn-pandas

#python #pandas #фрейм данных #sklearn-pandas

Вопрос:

я использую из sklearn.предварительная обработка импортирует MinMaxScaler со следующим кодом и набором данных:

 df = pd.DataFrame({
  "A" : [-0.5624105,
-0.5637749,
0.2973856,
0.619784,
0.007297921,
0.8146919,
0.1082434,
-0.2311236,
-0.6945567,
-0.6807524,
-0.1017431,
0.5889628,
0.5384794,
0.3906553,
0.3843442,
0.4408366,
0.4035791,
0.05258237,
-0.4847771
],
  "B" : [-0.5068743,
0.1422121,
0.6444226,
0.4959088,
-0.2260773,
0.3420533,
0.2346546,
0.1177824,
-0.7701161,
-0.7566853,
-0.5091485,
0.4509938,
0.4209853,
0.304058,
0.3753832,
0.6958977,
0.6763205,
0.05536954,
-0.9857719
]})

min_max_scaler = MinMaxScaler(feature_range=(0,255))

print(df)

df[df.columns] = min_max_scaler.fit_transform(df[df.columns])

print(df)
print(type(df))

я хочу масштабировать его с наименьшим значением во всем наборе данных и наибольшим значением во всем наборе данных как я могу управлять этим, используя тот же код? возможно ли это?

            A         B
0  -0.562411 -0.506874
1  -0.563775  0.142212
2   0.297386  0.644423
3   0.619784  0.495909
4   0.007298 -0.226077
5   0.814692  0.342053
6   0.108243  0.234655
7  -0.231124  0.117782
8  -0.694557 -0.770116
9  -0.680752 -0.756685
10 -0.101743 -0.509149
11  0.588963  0.450994
12  0.538479  0.420985
13  0.390655  0.304058
14  0.384344  0.375383
15  0.440837  0.695898
16  0.403579  0.676320
17  0.052582  0.055370
18 -0.484777 -0.985772
             A           B
0    22.327190   72.617646
1    22.096664  171.041874
2   167.596834  247.194572
3   222.068703  224.674680
4   118.584127  115.196304
5   255.000000  201.344798
6   135.639699  185.059394
7    78.300845  167.337476
8     0.000000   32.700971
9     2.332350   34.737551
10  100.160748   72.272798
11  216.861207  217.863993
12  208.331620  213.313653
13  183.355519  195.583380
14  182.289206  206.398778
15  191.834063  255.000000
16  185.539101  252.031411
17  126.235309  157.873501
18   35.443994    0.000000

мне не нужно разное отображение для каждого столбца, мне нужно сопоставить его, используя -0.985772 0.814692 (строка столбца b 18, строка столбца a 5)

Комментарии:

1. Вероятно, быстрее всего сначала сделать его np.array , а затем array = (array - minimum) / (maximum - minimum) * 255 (масштабировать от 0 до 255) и затем преобразовать его обратно

Ответ №1:

У вас есть 2 способа сделать это:

 # Manually:
min_value, max_value = df.min().min(), df.max().max()
scaled1 = (df - min_value) * 255 / (max_value - min_value)

# Using MinMaxScaler
min_max_scaler = MinMaxScaler(feature_range=(0,255))    
# Stack everything into a single column to scale by the global min / max
tmp = df.to_numpy().reshape(-1,1)
scaled2 = min_max_scaler.fit_transform(tmp).reshape(len(df), 2)

Оба возвращают один и тот же результат:

 np.isclose(scaled1, scaled2).all()
# True

Вы можете создать новый фрейм данных с масштабированными значениями:

 scaled = pd.DataFrame(scaled1, index=df.index, columns=df.columns)

Или назначьте их обратно df :

 df.loc[:] = scaled1