我有一个看起来像这样的pandas.DataFrame:
In [48]: df
Out[48]:
AMID A B C
0 AMID-1000 0.149176 0.768200 0.689369
1 AMID-1001 0.169934 0.607390 0.471788
2 AMID-1002 0.632052 0.806657 0.994664
3 AMID-1003 0.003798 0.382427 0.894856
4 AMID-1004 0.182947 0.712373 0.870068
5 AMID-1005 0.385039 0.691643 0.546960
6 AMID-1006 0.971885 0.169759 0.804370
7 AMID-1007 0.443199 0.686212 0.377556
8 AMID-1008 0.149402 0.981370 0.588750
9 AMID-1009 0.214107 0.264285 0.463403
列 'AMID' 保存数据点 ID，其余每一列都是每个数据点的一个特征。
我想将此数据集与需要缩放数据的算法一起使用，以便对于每一列我都有 mean == 0 和 std == 1 。我为此使用了 sklearn.preprocessing.StandardScaler，但是，为了扩展，我需要删除非数字 'AMID' 列的数据集。
In [61]: from sklearn import preprocessing
In [62]: data = df[[_ for _ in df.columns.values.tolist() if _ not in ['AMID']]]
In [64]: scaler = preprocessing.StandardScaler().fit(data)
In [65]: data_scaled = scaler.transform(data)
In [66]: data_scaled
Out[66]:
array([[ -6.60180258e-01, 6.63739262e-01, 9.55187160e-02],
[ -5.84458777e-01, 1.47534202e-03, -9.87448200e-01],
[ 1.10128130e+00, 8.22117198e-01, 1.61505880e+00],
[ -1.19049913e+00, -9.24989864e-01, 1.11828380e+00],
[ -5.36991596e-01, 4.33827828e-01, 9.94906952e-01],
[ 2.00212895e-01, 3.48454485e-01, -6.13293011e-01],
[ 2.34094244e+00, -1.80081691e+00, 6.67913149e-01],
[ 4.12372276e-01, 3.26087187e-01, -1.45646800e+00],
[ -6.59357873e-01, 1.54163661e+00, -4.05292050e-01],
[ -4.23321269e-01, -1.41153114e+00, -1.02918017e+00]])
In [67]: data_scaled.mean(axis=0)
Out[67]: array([ -8.32667268e-17, -4.44089210e-17, -2.88657986e-16])
In [68]: data_scaled.std(axis=0)
Out[68]: array([ 1., 1., 1.])
到目前为止，一切看起来都很好!
现在我可以继续并将这些数据输入到我的模型中，然后使用测试数据进行测试(也使用相同的缩放器和拟合进行缩放)。但是，我需要能够准确地看到分类器对每个 AMID 给出的预测。因此，我认为我应该将缩放数据映射回每个数据点的 AMID ，然后使用分类器的 .predict() 方法分别尝试每个数据点，或者我应该以某种方式将 .predict() 的结果映射回 AMID 列表。
我的第一个想法是将新值分配给原始数据帧，类似这样:
In [73]: df_copy['A'] = data_scaled[:,0:1]
In [74]: df_copy
Out[74]:
AMID A B C
0 AMID-1000 -0.660180 0.768200 0.689369
1 AMID-1001 -0.584459 0.607390 0.471788
2 AMID-1002 1.101281 0.806657 0.994664
3 AMID-1003 -1.190499 0.382427 0.894856
4 AMID-1004 -0.536992 0.712373 0.870068
5 AMID-1005 0.200213 0.691643 0.546960
6 AMID-1006 2.340942 0.169759 0.804370
7 AMID-1007 0.412372 0.686212 0.377556
8 AMID-1008 -0.659358 0.981370 0.588750
9 AMID-1009 -0.423321 0.264285 0.463403
但我不确定这是否会扭曲原始 'AMID' 和每列的缩放值之间的关联。
有更好的方法吗？
最佳答案
IIUC，我只需将 AMID 设置为索引(这样它就不会干扰并使之后更容易)，然后重新创建一个数据帧，如下所示:
df.set_index('AMID', inplace=True)
from sklearn import preprocessing
scaler = preprocessing.StandardScaler()
df = pd.DataFrame(scaler.fit_transform(df), index=df.index, columns=df.columns)
df
A B C
AMID
AMID-1000 -0.660181 0.663739 0.095517
AMID-1001 -0.584459 0.001476 -0.987447
AMID-1002 1.101281 0.822116 1.615059
AMID-1003 -1.190499 -0.924988 1.118286
AMID-1004 -0.536990 0.433827 0.994909
AMID-1005 0.200213 0.348455 -0.613294
AMID-1006 2.340943 -1.800818 0.667911
AMID-1007 0.412372 0.326088 -1.456467
AMID-1008 -0.659357 1.541636 -0.405293
AMID-1009 -0.423322 -1.411532 -1.029181
如果你想要 AMID 作为列而不是索引，你可以 reset_index() ，但恕我直言，它作为索引更好(我假设你想适应另一个模型稍后再说……)
关于python - 将 scikit 缩放数据映射回 ID，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/41041957/