sklearn.preprocessing.power_transform¶
sklearn.preprocessing.power_transform(X, method='yeo-johnson', *, standardize=True, copy=True)
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性（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，power_transform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，而Yeo-Johnson支持正或负数据。
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。
| 参数 | 说明 |
|---|---|
| X | array-like, shape (n_samples, n_features) 使用幂变换要变换的数据。 |
| method | {‘yeo-johnson’, ‘box-cox’}, default=’yeo-johnson’ 功率变换方法。可用的方法有： 'yeo-johnson'[1]，使用正值和负值 'box-cox'[2]，仅适用于严格为正的值 *在版本0.23中更改：*方法参数的默认值在0.23中从“ box-cox”更改为“ yeo-johnson”。 |
| 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。 |
| 返回 | 说明 |
|---|---|
| X_trans | array-like, shape (n_samples, n_features) 转换后的数据。 |
另见
与Transformer API等效的转换（例如，作为预处理sklearn.pipeline.Pipeline的一部分）。
使用参数output_distribution ='normal'将数据映射到标准正态分布。
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 power_transform
>>> data = [[1, 2], [3, 2], [4, 5]]
>>> print(power_transform(data, method='box-cox'))
[[-1.332... -0.707...]
[ 0.256... -0.707...]
[ 1.076... 1.414...]]
