数据标准化

Question

假设我有一个熊猫数据帧df：

我要计算一个数据帧的逐列平均值。

这是容易的：

df.apply(average) 

然后逐列范围内的最高（COL） - 最小（COL）。这又是很容易：

df.apply(max) - df.apply(min) 

现在对于我希望通过其列的范围内减去其列的平均值，然后除以每个元素。我不知道该怎么做

任何帮助/指针非常感谢。

Answer 1

In [92]: df 
Out[92]: 
      a   b   c   d 
A -0.488816 0.863769 4.325608 -4.721202 
B -11.937097 2.993993 -12.916784 -1.086236 
C -5.569493 4.672679 -2.168464 -9.315900 
D 8.892368 0.932785 4.535396 0.598124 

In [93]: df_norm = (df - df.mean())/(df.max() - df.min()) 

In [94]: df_norm 
Out[94]: 
      a   b   c   d 
A 0.085789 -0.394348 0.337016 -0.109935 
B -0.463830 0.164926 -0.650963 0.256714 
C -0.158129 0.605652 -0.035090 -0.573389 
D 0.536170 -0.376229 0.349037 0.426611 

In [95]: df_norm.mean() 
Out[95]: 
a -2.081668e-17 
b 4.857226e-17 
c 1.734723e-17 
d -1.040834e-17 

In [96]: df_norm.max() - df_norm.min() 
Out[96]: 
a 1 
b 1 
c 1 
d 1 

Answer 2

您可以使用apply了这一点，这是一个有点整洁：

import numpy as np 
import pandas as pd 

np.random.seed(1) 

df = pd.DataFrame(np.random.randn(4,4)* 4 + 3) 

      0   1   2   3 
0 9.497381 0.552974 0.887313 -1.291874 
1 6.461631 -6.206155 9.979247 -0.044828 
2 4.276156 2.002518 8.848432 -5.240563 
3 1.710331 1.463783 7.535078 -1.399565 

df.apply(lambda x: (x - np.mean(x))/(np.max(x) - np.min(x))) 

      0   1   2   3 
0 0.515087 0.133967 -0.651699 0.135175 
1 0.125241 -0.689446 0.348301 0.375188 
2 -0.155414 0.310554 0.223925 -0.624812 
3 -0.484913 0.244924 0.079473 0.114448 

而且，它与groupby工作得很好，如果你选择相关的列：

df['grp'] = ['A', 'A', 'B', 'B'] 

      0   1   2   3 grp 
0 9.497381 0.552974 0.887313 -1.291874 A 
1 6.461631 -6.206155 9.979247 -0.044828 A 
2 4.276156 2.002518 8.848432 -5.240563 B 
3 1.710331 1.463783 7.535078 -1.399565 B 


df.groupby(['grp'])[[0,1,2,3]].apply(lambda x: (x - np.mean(x))/(np.max(x) - np.min(x))) 

    0 1 2 3 
0 0.5 0.5 -0.5 -0.5 
1 -0.5 -0.5 0.5 0.5 
2 0.5 0.5 0.5 -0.5 
3 -0.5 -0.5 -0.5 0.5 

Answer 3

如果您不介意导入sklearn库，我会推荐在this博客上讨论的方法。

import pandas as pd 
from sklearn import preprocessing 

data = {'score': [234,24,14,27,-74,46,73,-18,59,160]} 
df = pd.DataFrame(data) 
df 

min_max_scaler = preprocessing.MinMaxScaler() 
np_scaled = min_max_scaler.fit_transform(df) 
df_normalized = pd.DataFrame(np_scaled) 
df_normalized 

Answer 4

从稍加修改：Python Pandas Dataframe: Normalize data between 0.01 and 0.99?但一些评论认为这是相关的（对不起，如果认为是转贴，虽然...）

我想在基准或z的，经常百分定制正常化分数不够。有时候我知道人口的可行最大和最小值是什么，因此想要定义它，而不是我的样本，或者不同的中点，或者其他任何东西！这通常对于神经网络的数据重新缩放和标准化非常有用，您可能希望所有输入介于0和1之间，但某些数据可能需要以更加自定义的方式进行缩放......因为百分比和stdevs假设您的样本覆盖人口，但有时我们知道这是不正确的。在热图中可视化数据对我来说也非常有用。所以，我建立了一个自定义函数（用在代码中加入额外步骤，在这里，使其尽可能地易读）：

def NormData(s,low='min',center='mid',hi='max',insideout=False,shrinkfactor=0.):  
    if low=='min': 
     low=min(s) 
    elif low=='abs': 
     low=max(abs(min(s)),abs(max(s)))*-1.#sign(min(s)) 
    if hi=='max': 
     hi=max(s) 
    elif hi=='abs': 
     hi=max(abs(min(s)),abs(max(s)))*1.#sign(max(s)) 

    if center=='mid': 
     center=(max(s)+min(s))/2 
    elif center=='avg': 
     center=mean(s) 
    elif center=='median': 
     center=median(s) 

    s2=[x-center for x in s] 
    hi=hi-center 
    low=low-center 
    center=0. 

    r=[] 

    for x in s2: 
     if x<low: 
      r.append(0.) 
     elif x>hi: 
      r.append(1.) 
     else: 
      if x>=center: 
       r.append((x-center)/(hi-center)*0.5+0.5) 
      else: 
       r.append((x-low)/(center-low)*0.5+0.) 

    if insideout==True: 
     ir=[(1.-abs(z-0.5)*2.) for z in r] 
     r=ir 

    rr =[x-(x-0.5)*shrinkfactor for x in r]  
    return rr 

这将需要在熊猫系列，甚至只是一个列表，并将其归到自己指定的低，中心和高点。还有一个收缩因素！以允许您将数据从端点0和1中缩小（我必须在matplotlib中将色彩图组合在一起时执行此操作）：因此，您可能会看到代码的工作方式，但基本上说您具有值[-5,1， 10]，但是想要基于-7到7的范围进行归一化（因此大于7的任何数值，我们的“10”被有效地视为7），中点为2，但缩小到适合256 RGB颜色表：

#In[1] 
NormData([-5,2,10],low=-7,center=1,hi=7,shrinkfactor=2./256) 
#Out[1] 
[0.1279296875, 0.5826822916666667, 0.99609375] 

它也可以把里面你的数据...这似乎很奇怪，但我发现它有用heatmapping。假设你想要一个更接近0的值而不是hi/low值较深的颜色。你可以热图基于标准化的数据，其中insideout = TRUE：

#In[2] 
NormData([-5,2,10],low=-7,center=1,hi=7,insideout=True,shrinkfactor=2./256) 
#Out[2] 
[0.251953125, 0.8307291666666666, 0.00390625] 

所以现在“2”，这是最接近中心，定义为“1”为最高值。

无论如何，我认为我的应用程序是相关的，如果你想以其他方式重新调整数据，可能会有用的应用程序给你。