sklearn.preprocessing.RobustScaler¶

class sklearn.preprocessing.RobustScaler(*, with_centering=True, with_scaling=True, quantile_range=(25.0, 75.0), copy=True)

[源码]

使用对异常值鲁棒的统计信息来缩放特征。

此缩放器删除中位数，并根据分位数范围（默认值为IQR：四分位间距）缩放数据。IQR是第一个四分位数（25%分位数）和第3个四分位数（75%分位数）之间的范围。

通过计算训练集中样本的相关统计信息，对每个特征进行独立的居中和缩放。然后存储中位数和四分位数范围，以使用变换方法在以后的数据上使用。

数据集的标准化是许多机器学习估计器的普遍要求。通常，这是通过去除均值并缩放到单位方差来完成的。但是，离群值通常会以负面方式影响样本均值/方差。在这种情况下，中位数和四分位数间距通常会产生更好的结果。

版本0.17中的新功能。

在用户指南中阅读更多内容。

参数	说明
with_centering	boolean, True by default 如果为True，则在缩放之前将数据居中。尝试使用稀疏矩阵时，这将导致转换引发异常，因为将它们居中需要构建密集的矩阵，在常见的使用情况下，该矩阵可能太大而无法容纳在内存中。
with_scaling	boolean, True by default 如果为True，则将数据缩放到四分位数范围。
quantile_range	tuple (q_min, q_max), 0.0 < q_min < q_max < 100.0 默认值：（25.0，75.0）=（第一分位数，第三分位数）= IQR用于计算scale_的分位数范围。版本0.18中的新功能。
copy	boolean, optional, default is True 如果为False，请尝试避免复制并改为就地缩放。不能保证总是在原地工作；例如，如果数据不是NumPy数组或scipy.sparse CSR矩阵，则可能仍会返回副本。

属性	说明
center_	array of floats 训练集中每个要素的中位数。
scale_	array of floats 训练集中每个要素的（缩放）四分位数范围。 0.17版中的新功能：scale_属性。

另见：

robust_scale

没有估算器API的等效函数。

sklearn.decomposition.PCA

进一步删除带有'whiten = True'的特征之间的线性相关性。

注释

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。

https://en.wikipedia.org/wiki/Median https://en.wikipedia.org/wiki/Interquartile_range

示例

>>> from sklearn.preprocessing import RobustScaler
>>> X = [[ 1., -2.,  2.],
...      [ -2.,  1.,  3.],
...      [ 4.,  1., -2.]]
>>> transformer = RobustScaler().fit(X)
>>> transformer
RobustScaler()
>>> transformer.transform(X)
array([[ 0. , -2. ,  0. ],
       [-1. ,  0. ,  0.4],
       [ 1. ,  0. , -1.6]])

方法

方法	说明
`fit`(X[, y])	计算要用于缩放的中位数和分位数。
`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)	将数据按比例缩小到原始表示形式
`set_params`(**params)	设置此估算器的参数。
`transform`(X)	居中并缩放数据。

__init__(*, with_centering=True, with_scaling=True, quantile_range=(25.0, 75.0), copy=True)

[源码]

初始化self。请参阅help（type（self））以获取准确的签名

fit(X, y=None)

[源码]

计算要用于缩放的中位数和分位数。

计算输出要素的数量。

参数	说明
X	array-like, shape [n_samples, n_features] 用于计算中位数和分位数的数据，这些中位数和分位数用于以后沿特征轴缩放。

fit_transform(X, y=None, **fit_params)

[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]

将数据按比例缩小到原始表示形式

参数	说明
X	array-like 用于沿指定轴缩放的数据。

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]

居中并缩放数据。

参数	说明
X	{array-like, sparse matrix} 用于沿指定轴缩放的数据。

sklearn.preprocessing.RobustScaler使用示例¶

将不同缩放器对数据的影响与离群值进行比较 ¶