测试 QuantileTransformer
标准化与 z 分数有相同的隐患。二者都在计算中使用均值和标准差，因此对极端值非常敏感。
为避免这个问题，您应使用基于分位数的 QuantileTransformer。分布的分位数不受异常值幅度的影响，因此更稳健。
当数据近似正态分布时（可用直方图检查），应使用 StandardScaler。对于其他分布，QuantileTransformer 往往是更好的选择。
本练习将使用已加载的 females 数据集。matplotlib.pyplot 已按其常用别名 plt 加载。
本练习是课程的一部分
Python 中的异常检测
练习说明
- 实例化一个将特征变换为正态分布的
QuantileTransformer()，并将其赋给qt。 - 拟合并变换特征数组
X，同时保留列名。 - 绘制
palmlength列的直方图。
交互式实操练习
通过完成这段示例代码来试试这个练习。
from sklearn.preprocessing import QuantileTransformer
# Instantiate an instance that casts to normal
qt = ____
# Fit and transform the feature array
X.____ = ____
# Plot a histogram of palm length
plt.____(____, color='red')
plt.xlabel("Palm length")
plt.show()