sklearn.preprocessing.PowerTransformer

class sklearn.preprocessing.PowerTransformer(method='yeo-johnson', *, standardize=True, copy=True)

[源码]

逐个应用幂变换以使数据更像高斯型。

幂变换是一组参数化，单调变换，可用于使数据更像高斯型。这对于建模与异方差（非恒定方差）或其他需要正态性的情况有关的模型很有用。

当前，PowerTransformer支持Box-Cox变换和Yeo-Johnson变换。通过最大似然来估计用于稳定方差和最小化偏斜的最佳参数。

Box-Cox要求输入数据严格为正数，而Yeo-Johnson支持正数或负数。

默认情况下，零均值，单位方差归一化应用于转换后的数据。

在用户指南中阅读更多内容。

0.20版中的新功能。

参数 说明
method str, (default=’yeo-johnson’)
功率变换方法。可用的方法有：
‘yeo-johnson’ [1]，使用正负值
‘box-cox’ [2])，仅适用于严格正值
standardize boolean, default=True
设置为True可将零均值，单位方差归一化应用于转换后的输出。
copy boolean, optional, default=True
设置为False可在转换期间执行就地计算。
属性 说明
lambdas_ array of float, shape (n_features,)
所选特征的功率变换参数。

另见：

power_transform

没有估算器API的等效函数。

QuantileTransformer

使用参数将数据映射到标准正态分布

output_distribution='normal'.

注释

NaN被视为缺失值：忽略适合度，并保持变换值。有关不同缩放器，转换器和规范化器的比较，请参阅examples/preprocessing/plot_all_scaling.py。

参考资料

1 IK Yeo和RA Johnson，“新的功率转换系列，可改善正态性或对称性。”Biometrika，87（4），第954-959页，（2000）。

2 GEP Box和DR Cox，“转型分析”，皇家统计学会杂志B，第26期，第211-252页（1964年）。

示例

>>> import numpy as np
>>> from sklearn.preprocessing import PowerTransformer
>>> pt = PowerTransformer()
>>> data = [[1, 2], [3, 2], [4, 5]]
>>> print(pt.fit(data))
PowerTransformer()
>>> print(pt.lambdas_)
[ 1.386... -3.100...]
>>> print(pt.transform(data))
[[-1.316... -0.707...]
 [ 0.209... -0.707...]
 [ 1.106...  1.414...]]

方法

方法 说明
fit(X[, y]) 估计每个功能的最佳参数λ。
fit_transform(X[, y]) 拟合数据，然后对其进行转换。
get_params([deep]) 获取此估计量的参数。
inverse_transform(X) 使用拟合的lambda应用逆功率变换。
set_params(**params) 设置此估算器的参数。
transform(X) 使用适合的lambda将功率变换应用于每个要素。 
__init__(method='yeo-johnson', *, standardize=True, copy=True)

[源码]

初始化self，有关准确的签名，请参见help（type（self））。

fit(X, y=None)

[源码]

估计每个功能的最佳参数λ。

使用最大似然性独立地估计每个特征的最佳lambda参数。

参数 说明
X array-like, shape [n_samples, n_features]
用于估计最佳变换参数的数据。
y None
返回值 说明
self object 
fit_transform(X, y=None)

[源码]

拟合数据，然后对其进行转换。

使用可选参数fit_params将转换器拟合到X和y，并返回X的转换版本。

参数 说明
X {array-like, sparse matrix, dataframe} of shape (n_samples, n_features)
y ndarray of shape (n_samples,), default=None
目标值。
**fit_params dict
其他拟合参数。
返回值 说明
X_new ndarray array of shape (n_samples, n_features_new)
转换后的数组。		 
get_params(deep=True)

[源码]

获取此估计量的参数。

参数 说明
deep bool, default=True
如果为True，则将返回此估算器和作为估算器的所包含子对象的参数。
返回值 说明
params mapping of string to any
参数名称映射到其值。		 
inverse_transform(X)

[源码]

使用拟合的lambda应用逆功率变换。

Box-Cox变换的逆由下式给出：

if lambda_ == 0:
    X = exp(X_trans)
else:
    X = (X_trans * lambda_ + 1) ** (1 / lambda_)

Yeo-Johnson变换的逆由下式给出：

if X >= 0 and lambda_ == 0:
    X = exp(X_trans) - 1
elif X >= 0 and lambda_ != 0:
    X = (X_trans * lambda_ + 1) ** (1 / lambda_) - 1
elif X < 0 and lambda_ != 2:
    X = 1 - (-(2 - lambda_) * X_trans + 1) ** (1 / (2 - lambda_))
elif X < 0 and lambda_ == 2:
    X = 1 - exp(-X_trans)
参数 说明
X array-like, shape (n_samples, n_features)
转换后的数据。
返回值 说明
X_out array-like, shape (n_samples, n_features)
原始数据		 
set_params(**params)

[源码]

设置此估算器的参数。

该方法适用于简单的估计器以及嵌套对象（例如管道）。后者的参数形式为<component>__<parameter>这样就可以更新嵌套对象的每个组件。

参数 说明
**params dict
估算器参数。
返回值 说明
self object
估算器实例。		 
transform(X)

[源码]

使用适合的lambda将功率变换应用于每个要素。

参数 说明
X array-like, shape (n_samples, n_features)
使用幂变换要变换的数据。
返回值 说明
X_trans array-like, shape (n_samples, n_features)
转换后的数据。