MaxAbsScaler#
- class sklearn.preprocessing.MaxAbsScaler(*, copy=True)[源代码]#
按每个要素的最大绝对值缩放。
该估计器单独缩放和转换每个特征，以便训练集中每个特征的最大绝对值为1.0。它不会转移/集中数据，因此不会破坏任何稀疏性。
该缩放器还可以应用于稀疏CSR或CSC矩阵。
MaxAbsScaler不会减少异常值的影响;它只是线性地缩小它们的规模。有关可视化示例，请参阅 Compare MaxAbsScaler with other scalers .Added in version 0.17.
- 参数:
- copy布尔，默认=True
Set to False to perform inplace scaling and avoid a copy (if the input is already a numpy array).
- 属性:
- scale_形状的nd数组（n_features，）
按特征相对缩放数据。
Added in version 0.17: scale_ 属性
- max_abs_形状的nd数组（n_features，）
每个特征的最大绝对值。
- n_features_in_int
期间看到的功能数量 fit .
Added in version 0.24.
- feature_names_in_ ：nd形状数组 (
n_features_in_,)nd数组形状（ Names of features seen during fit. Defined only when
Xhas feature names that are all strings.Added in version 1.0.
- n_samples_seen_int
估计器处理的样本数。将在新电话时重置以适应，但在整个范围内增加
partial_fit电话
参见
maxabs_scale没有估计器API的等效功能。
注意到
NaN被视为缺失值：在适应中被忽略，并在变换中被保留。
示例
>>> from sklearn.preprocessing import MaxAbsScaler >>> X = [[ 1., -1., 2.], ... [ 2., 0., 0.], ... [ 0., 1., -1.]] >>> transformer = MaxAbsScaler().fit(X) >>> transformer MaxAbsScaler() >>> transformer.transform(X) array([[ 0.5, -1. , 1. ], [ 1. , 0. , 0. ], [ 0. , 1. , -0.5]])
- fit(X, y=None)[源代码]#
计算稍后缩放使用的最大绝对值。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
用于计算每个特征的最小值和最大值的数据，用于以后沿特征轴进行缩放。
- y没有一
忽视
- 返回:
- self对象
安装了scaler。
- fit_transform(X, y=None, **fit_params)[源代码]#
适应数据，然后对其进行转换。
适合变压器
X和y具有可选参数fit_params并返回的转换版本X.- 参数:
- X形状类似阵列（n_samples，n_features）
输入样本。
- y形状为（n_samples，）或（n_samples，n_outputs）的阵列状， 默认值=无
目标值（无监督转换）。
- **fit_paramsdict
其他适合参数。
- 返回:
- X_newndray形状数组（n_samples，n_features_new）
变形的数组。
- get_feature_names_out(input_features=None)[源代码]#
获取用于转换的输出要素名称。
- 参数:
- input_features字符串或无的类数组，默认=无
输入功能。
如果
input_features是None那么feature_names_in_在中用作功能名称。如果feature_names_in_未定义，则生成以下输入要素名称：["x0", "x1", ..., "x(n_features_in_ - 1)"].如果
input_features是一个类似阵列的，那么input_features必须匹配feature_names_in_如果feature_names_in_是定义的。
- 返回:
- feature_names_out字符串对象的nd数组
与输入功能相同。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请检查 User Guide 关于路由机制如何工作。
- 返回:
- routingMetadataRequest
A
MetadataRequest封装路由信息。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数:
- deep布尔，默认=True
如果为True，将返回此估计量和包含的作为估计量的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- inverse_transform(X)[源代码]#
将数据缩放到原始表示。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
应该转换回来的数据。
- 返回:
- X_tr{ndarray，sparse matrix}的形状（n_samples，n_features）
变形的数组。
- partial_fit(X, y=None)[源代码]#
在线计算X的最大绝对值，以供后期缩放。
所有X都作为单个批次处理。这适用于以下情况：
fit由于大量的n_samples或者因为X是从连续流中读取的。- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
用于计算均值和标准差的数据，用于稍后沿特征轴缩放。
- y没有一
忽视
- 返回:
- self对象
安装了scaler。
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。