Normalizacja zmiennych

Teraz czas na ostatni krok przygotowania danych. Przekształcisz zbiór danych wholesale_boxcox (po usunięciu skośności) tak, aby wszystkie kolumny miały tę samą skalę – średnią równą zero i odchylenie standardowe równe 1. Użyjesz do tego funkcji StandardScaler z modułu sklearn.preprocessing.

Zbiór danych wholesale_coxbox po przekształceniu w poprzednim ćwiczeniu został zaimportowany jako obiekt pandas DataFrame. Instancja StandardScaler() została już zainicjowana jako scaler.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w marketingu w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Dopasuj zainicjowaną instancję scaler do zbioru danych przekształconego metodą Box-Cox.
Przekształć zbiór danych i zapisz wynik jako wholesale_scaled.
Utwórz obiekt pandas DataFrame ze skalowanego zbioru danych.
Wyświetl średnią i odchylenie standardowe dla wszystkich kolumn.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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())

Edytuj i uruchom kod