sklearn归一化和标准化代码

在Scikit-learn库中，有几种常见的归一化和标准化方法。这里给出一些示例代码：

1. **标准差归一化 (Z-Score Standardization)**[^1]:

from sklearn.preprocessing import StandardScaler

# 创建StandardScaler实例
scaler = StandardScaler()

# 假设data是需要标准化的数据
data = [[1, 2, 3], [4, 5, 6]]  # 示例数据
data_scaled = scaler.fit_transform(data)

# 注意，fit_transform会先计算均值和标准差，然后应用到数据上

2. **最小-最大归一化 (Min-Max Scaling)**:

from sklearn.preprocessing import MinMaxScaler

# 创建MinMaxScaler实例
scaler = MinMaxScaler()

# 同样使用fit_transform方法
data_min_max = scaler.fit_transform(data)

3. **范数归一化** 和 RobustScaler 是更高级的正则化方法，它们通常用于减少异常值的影响。对于RobustScaler，代码如下：

from sklearn.preprocessing import RobustScaler

# RobustScaler实例
robust_scaler = RobustScaler()
data_robust = robust_scaler.fit_transform(data)

4. **Power Transform** 可以改变数据分布形状，但其代码不常见于直接使用，因为通常通过`power_transform`函数实现：

from sklearn.preprocessing import PowerTransformer

# 对于非线性变换，如Yeo-Johnson变换
pt = PowerTransformer(method='yeo-johnson')
data_power = pt.fit_transform(data)

每个方法都有其适用场景，比如Z-Score适合数据大致服从正态分布的情况，而RobustScaler更适合含有离群点的数据集。