sklearn StandardScaler返回全零

Question

我StandardScaler从之前的模型中保存了一个sklearn ,并尝试将其应用于新数据

scaler = myOldStandardScaler
print("ORIG:", X)
print("CLASS:", X.__class__)
X = scaler.fit_transform(X)
print("SCALED:", X)

我有三个观察,每个观察2000个特征.如果我单独运行每个观察,我得到全零的输出.

ORIG: [[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[ 0.  0.  0. ...,  0.  0.  0.]]

但是,如果我将所有三个观察结果附加到一个数组中,我得到了我想要的结果

ORIG: [[  0.00000000e+00   8.69737728e-08   7.53361877e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  9.49627142e-04   0.00000000e+00   0.00000000e+00 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[-1.07174217  1.41421356  1.37153077 ...,  0.          0.          0.        ]
[ 1.33494964 -0.70710678 -0.98439142 ...,  0.          0.          0.        ]
[-0.26320747 -0.70710678 -0.38713935 ...,  0.          0.          0.        ]]

我见过这两个问题:

• Sklearn的MinMaxScaler仅返回零
• 意外的StandardScaler fit_transform输出

两者都没有得到接受的答案.

我试过了:

• 从(1,n)重塑为(n,1)(这给出了不正确的结果)
• 将数组转换为np.float32和np.float64(仍为零)
• 创建一个数组的数组(同样,全部为零)
• 创建一个np.matrix(再次,全部为零)

我错过了什么？输入fit_transform是相同的类型,只是不同的大小.

如何让StandardScaler使用单个观察？

Answer 1

当您尝试将对象的fit_transform方法应用于StandardScaler大小(1,n)的数组时,您显然会得到全零,因为对于每个数组,您从它中减去该数字的平均值,该数字等于数字并除以此数字的std数.如果要获得正确的数组scalling,则应将其转换为size(n,1)的数组.你可以这样做:

import numpy as np

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.fit_transform(X[:, np.newaxis])

在这种情况下,您可以通过它的功能获得一个对象的标准缩放,这不是您正在寻找的.如果要通过3个对象的一个​​特征进行缩放,则应传递给fit_transform大小为(3,1)的方法数组,其中某些特征的值与每个对象相对应.

X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.fit_transform(X[:, np.newaxis]) # you should get
# array([[-1.07174217], [1.33494964], [-0.26320747]]) you're looking for

如果您想使用已安装的StandardScaler对象,则不应使用fit_transform方法,因为它会使用新数据重新对象.StandardScaler有transform方法,与单一观察一起工作:

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.transform(X.reshape(1, -1))