sklearn StandardScaler返回全零

问题内容：

我StandardScaler从以前的模型中保存了一个sklearn ，并尝试将其应用于新数据

scaler = myOldStandardScaler
print("ORIG:", X)
print("CLASS:", X.__class__)
X = scaler.fit_transform(X)
print("SCALED:", X)

我有三个观测值，每个观测值都具有2000个功能。如果我分别运行每个观察值，我将得到全零的输出。

ORIG: [[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[ 0.  0.  0. ...,  0.  0.  0.]]

但是，如果我将所有三个观察结果附加到一个数组中，我将得到想要的结果

ORIG: [[  0.00000000e+00   8.69737728e-08   7.53361877e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  9.49627142e-04   0.00000000e+00   0.00000000e+00 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[-1.07174217  1.41421356  1.37153077 ...,  0.          0.          0.        ]
[ 1.33494964 -0.70710678 -0.98439142 ...,  0.          0.          0.        ]
[-0.26320747 -0.70710678 -0.38713935 ...,  0.          0.          0.        ]]

我看过以下两个问题：

两者都没有一个可接受的答案。

我试过了：

从（1，n）重塑为（n，1）（这会给出错误的结果）
将数组转换为np.float32and np.float64（仍然全为零）
创建一个数组的数组（再次为全零）
再创建一个np.matrix（全零）

我想念什么？输入的fit_transform是相同的类型，只是大小不同。

如何让StandardScaler进行单个观察？

问题答案：

当您尝试将对象的fit_transform方法应用于StandardScaler大小为（1，n）的数组时，您显然会得到全零，因为对于数组的每个数字，您要从中减去该数字的均值，该均值等于number并除以std数。如果要正确缩放数组，则应将其转换为大小为（n，1）的数组。您可以这样进行：

import numpy as np

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.fit_transform(X[:, np.newaxis])

在这种情况下，您将通过对象的功能获得一个对象的标准缩放比例，这不是您要找的。
如果要按3个对象的一个要素进行缩放，则应将fit_transform大小为（3，1）的方法数组传递给每个对象对应的特定要素的值。

X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.fit_transform(X[:, np.newaxis]) # you should get
# array([[-1.07174217], [1.33494964], [-0.26320747]]) you're looking for

而且，如果要使用已经安装的StandardScaler对象，则不应该使用fit_transformmethod，因为它会用新数据重新调整对象。StandardScaler具有transform方法，可用于单次观察：

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.transform(X.reshape(1, -1))

sklearn StandardScaler返回全零

微信关注