Нормализация переменных

Переходим к последнему шагу подготовки данных. Вам нужно привести набор данных wholesale_boxcox (без асимметрии) к единому масштабу: все столбцы должны иметь среднее значение, равное нулю, и стандартное отклонение, равное 1. Для этого воспользуйтесь функцией StandardScaler из модуля sklearn.preprocessing.

Преобразованный в предыдущем упражнении набор данных wholesale_coxbox уже импортирован в виде DataFrame библиотеки pandas. Экземпляр StandardScaler() инициализирован и сохранён в переменной scaler.

Это упражнение является частью курса

Машинное обучение для маркетинга на Python

Посмотреть курс

Инструкции к упражнению

Обучите инициализированный экземпляр scaler на наборе данных, преобразованном методом Бокса–Кокса.
Преобразуйте набор данных и сохраните результат в переменной wholesale_scaled.
Создайте DataFrame библиотеки pandas на основе масштабированного набора данных.
Выведите среднее значение и стандартное отклонение для всех столбцов.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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())

Редактировать и запускать код