延後執行地轉換訓練資料
在機器學習中，前處理輸入變數是關鍵步驟，通常能提升你所建立模型的準確度。前兩個練習中已替你前處理了 Spotify 資料，但你自己會做也很重要。
在本練習中，你將使用 StandardScaler() 縮放器物件，將陣列的各欄轉換為平均數為 0、標準差為 1 的分佈。
環境中已提供 Spotify 歌曲的 Dask DataFrame，變數名稱為 dask_df。其中包含作為目標的熱門度分數，以及你用來預測這些分數的輸入變數。
本練習屬於課程
在 Python 中使用 Dask 進行平行程式設計
練習說明
- 從
dask_ml.preprocessing匯入StandardScaler()類別。 - 從 DataFrame 中選出
'popularity'欄並指派給變數y。 - 建立一個
StandardScaler物件，並以X資料進行擬合（fit）。 - 使用縮放器轉換
X。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import the StandardScaler class
from ____ import ____
X = dask_df[['duration_ms', 'explicit', 'danceability', 'acousticness', 'instrumentalness', 'tempo']]
# Select the target variable
y = ____
# Create a StandardScaler object and fit it on X
scaler = ____
scaler.____(____)
# Transform X
X = scaler.____
print(X)