数据标准化
某些模型（如 K 近邻（KNN）和神经网络）在输入数据经过缩放后表现更好——因此我们将对数据进行标准化。
我们还会根据特征重要性删除不重要的变量（星期几），方法是用 .iloc[] 对特征 DataFrame 进行索引。KNN 通过距离来寻找用于预测的相似点，因此量纲大的特征会压过量纲小的特征。对数据进行缩放可以解决这个问题。
sklearn 的 scale() 会将数据标准化，把均值设为 0、标准差设为 1。理想情况下，我们会在训练数据上使用 StandardScaler 的 fit_transform()，在测试数据上使用 fit()，但此处代码行数限制为 15 行。
完成缩放后，我们将通过绘制数据的直方图来检查是否生效。
本练习是课程的一部分
Python 金融机器学习
练习说明
- 使用
.iloc从训练/测试特征中移除星期几特征（星期几是最后 4 个特征）。 - 使用 sklearn 的
scale()对train_features和test_features进行标准化；将结果分别保存为scaled_train_features和scaled_test_features。 - 在第一个子图（
ax[0]）上，绘制未缩放的train_features中 14 日 RSI 移动平均（索引为[:, 2]）的直方图。 - 在第二个子图（
ax[1]）上，绘制标准化后的 14 日 RSI 移动平均的直方图。
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 scale
# Remove unimportant features (weekdays)
train_features = train_features.iloc[:, :-4]
test_features = test_features.____
# Standardize the train and test features
scaled_train_features = scale(train_features)
scaled_test_features = ____
# Plot histograms of the 14-day SMA RSI before and after scaling
f, ax = plt.subplots(nrows=2, ncols=1)
train_features.iloc[:, 2].hist(ax=____)
ax[1].hist(scaled_train_features[:, 2])
plt.show()