sklearn.preprocessing.scale¶
sklearn.preprocessing.scale(X, *, axis=0, with_mean=True, with_std=True, copy=True)
沿任何轴标准化数据集
以均值为中心，以分量为单位缩放至单位方差。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| X | {array-like, sparse matrix} 数据要居中和缩放。 |
| axis | int (0 by default) 用于计算平均值和标准偏差的轴。如果为0，则独立标准化每个特征，否则（如果为1）则标准化每个样本。 |
| with_mean | boolean, True by default 如果为True，则在缩放之前将数据居中。 |
| with_std | boolean, True by default 如果为True，则将数据缩放到单位方差（或等效地，单位标准偏差）。 |
| copy | boolean, optional, default True 设置为False将执行就地行规范化并避免复制（如果输入已经是numpy数组或scipy.sparse CSC矩阵，并且轴为1）。 |
另见：
使用“ Transformer” API（例如，作为预处理 sklearn.pipeline.Pipeline的一部分）将缩放比例缩放为单位方差。
注释
此实现将拒绝使scipy.sparse矩阵居中，因为这会使它们变得稀疏，并可能因内存耗尽问题而使程序崩溃。
相反，调用者要么显式设置为_mean=False（在这种情况下，只对CSC矩阵的特征执行方差缩放），要么调用X.toarray（），如果他/她希望物化密集数组适合内存。
为避免内存复制，调用者应传递CSC矩阵。
NaN被视为缺失值：忽略以计算统计数据，并在数据转换期间进行维护。
对于标准偏差，我们使用偏差估算器，它等于numpy.std（x，ddof = 0）。请注意，选择ddof不太可能影响模型性能。
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。
