Нормалізуйте змінні

Тепер — фінальний крок підготовки даних. Ви перетворите нескошений набір даних wholesale_boxcox до спільної шкали: усі стовпці матимуть середнє, рівне нулю, і стандартне відхилення 1. Ви використаєте функцію StandardScaler з модуля sklearn.preprocessing.

Нескошений набір даних wholesale_coxbox, який ви перетворили у попередній вправі, імпортовано як датафрейм pandas. Також екземпляр StandardScaler() ініціалізовано як scaler.

Ця вправа є частиною курсу

Machine Learning для маркетингу в Python

Переглянути курс

Інструкції до вправи

Навчіть (fit) ініціалізований екземпляр scaler на наборі даних після перетворення Box-Cox.
Перетворіть і збережіть масштабований набір даних як wholesale_scaled.
Створіть датафрейм pandas з масштабованого набору даних.
Виведіть середнє та стандартне відхилення для всіх стовпців.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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())

Редагувати та запускати код