Normaliser les variables

Passons maintenant à la dernière étape de la préparation des données. Vous allez mettre l'ensemble de données non asymétrique wholesale_boxcox sur la même échelle, c'est‑à‑dire que toutes les colonnes auront une moyenne de zéro et un écart type de 1. Vous utiliserez la fonction StandardScaler du module sklearn.preprocessing.

L'ensemble de données non asymétrique wholesale_coxbox que vous avez transformé à l'exercice précédent a été importé comme DataFrame pandas. De plus, l'instance StandardScaler() a été initialisée sous le nom scaler.

Cette activité fait partie du cours

Machine Learning pour le marketing en Python

Voir le cours

Instructions de l’exercice

Ajustez l'instance scaler initialisée sur l'ensemble de données transformé par Box‑Cox.
Transformez et enregistrez l'ensemble mis à l'échelle sous le nom wholesale_scaled.
Créez un DataFrame pandas à partir de l'ensemble mis à l'échelle.
Affichez la moyenne et l'écart type pour toutes les colonnes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Fit the initialized `scaler` instance on the Box-Cox transformed dataset
scaler.___(wholesale_boxcox)

# Transform and store the scaled dataset as `wholesale_scaled`
wholesale_scaled = scaler.___(wholesale_boxcox)

# Create a `pandas` DataFrame from the scaled dataset
wholesale_scaled_df = pd.DataFrame(data=___,
                                       index=wholesale_boxcox.___,
                                       columns=wholesale_boxcox.columns)

# Print the mean and standard deviation for all columns
print(wholesale_scaled_df.agg(['___','std']).round())

Modifier et exécuter le code