เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ปรับมาตรฐานตัวแปร

ถึงขั้นตอนสุดท้ายของการเตรียมข้อมูลแล้ว คราวนี้จะแปลงชุดข้อมูล wholesale_boxcox ที่ปรับความเบ้แล้ว ให้อยู่ในสเกลเดียวกัน นั่นคือทุกคอลัมน์มีค่าเฉลี่ยเท่ากับศูนย์และส่วนเบี่ยงเบนมาตรฐานเท่ากับ 1 โดยใช้ฟังก์ชัน StandardScaler จากโมดูล sklearn.preprocessing

ชุดข้อมูล wholesale_coxbox ที่ปรับความเบ้แล้วจากแบบฝึกหัดก่อนหน้าถูกนำเข้ามาในรูปแบบ pandas DataFrame และได้สร้าง instance ของ StandardScaler() ไว้แล้วในชื่อ scaler

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning สำหรับการตลาดด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Fit instance ของ scaler ที่เตรียมไว้บนชุดข้อมูลที่ผ่านการแปลง Box-Cox
  • แปลงชุดข้อมูลและเก็บผลลัพธ์ที่ปรับสเกลแล้วไว้ในชื่อ wholesale_scaled
  • สร้าง pandas DataFrame จากชุดข้อมูลที่ปรับสเกลแล้ว
  • แสดงค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของทุกคอลัมน์

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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())
แก้ไขและรันโค้ด