标准化（Standardization）

归一化在把一列数据缩放到两个边界之间时很有用，但是如果其中任意一列受异常值影响过大，就很难将两列缩放后的数据进行比较。一个常用的解决方案是标准化：不再设置严格的上、下界，而是将数据以其均值为中心，并计算每个数据点相对于均值的标准差数量（即 z 分数）。

本练习是课程的一部分

Python 中的机器学习特征工程

查看课程

练习说明

从 sklearn 的 preprocessing 模块中导入 StandardScaler。
将 StandardScaler() 实例化为 SS_scaler。
在 so_numeric_df 的 Age 列上拟合 StandardScaler。
使用刚刚拟合的缩放器转换同一列。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import StandardScaler
____

# Instantiate StandardScaler
SS_scaler = ____()

# Fit SS_scaler to the data
____.____(so_numeric_df[['Age']])

# Transform the data using the fitted scaler
so_numeric_df['Age_SS'] = ____.____(so_numeric_df[['Age']])

# Compare the origional and transformed column
print(so_numeric_df[['Age_SS', 'Age']].head())

编辑并运行代码