预期的二维数组，而不是一维数组

Question

from sklearn import MinMaxScaler, StandardScaler
import numpy as np

a = ([1,2,3],[4,5,6])
stan = StandardScaler()
mima = MinMaxScaler()
stan.fit_tranform(a)
mima.fit_transform(a)

results after runnin stan and mima

array([[-1., -1., -1.],
   [ 1.,  1.,  1.]])

array([[0., 0., 0.],
   [1., 1., 1.]])

但是，当我尝试传递这样的一维数组时，

b = np.random.random(10)
stan.fit_tranform(b)
mima.fit_transform(b)

我有这样的错误

Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/anaconda3/lib/python3.6/site-packages/sklearn/base.py", line 517, in  fit_transform
return self.fit(X, **fit_params).transform(X)
File "/anaconda3/lib/python3.6/site-packages/sklearn/preprocessing/data.py",  line 308, in fit
return self.partial_fit(X, y) 
File "/anaconda3/lib/python3.6/site-packages/sklearn/preprocessing/data.py", line 334, in partial_fit
estimator=self, dtype=FLOAT_DTYPES)
File "/anaconda3/lib/python3.6/site-packages/sklearn/utils/validation.py", line 441, in check_array
"if it contains a single sample.".format(array))
ValueError: Expected 2D array, got 1D array instead:
array=[0.05808361 0.86617615 0.60111501 0.70807258 0.02058449 0.96990985
0.83244264 0.21233911 0.18182497 0.18340451].
Reshape your data either using array.reshape(-1, 1) if your data has a single  feature or array.reshape(1, -1) if it contains a single sample.

GitHub 上也有一个帖子，但很久以前就关闭了。有什么办法可以解决这个问题。

Answer 1

首先尝试了解 MinMaxScalar 和 StandardScalar 正在做什么。它们基于单个列标准化（或缩放）数据值。因此，如果您的数据有 3 列：-

1) MinMaxScalar 将分别从每一列中找到最大值和最小值，并根据这些最小值和最大值缩放该列的其他值。所有列都相同。2) StandardScalar 将类似地分别找到每列的均值和标准差，然后进行缩放。

然后，请在此处查看我的答案以解释为什么它不接受一维数组。

现在，您正在这些标量中传递一个一维数组。他们怎么知道要扩展什么。有多少列？您是否希望所有 10 个值都为一列，或者您是否希望将所有 10 个值视为 10 个将彼此分开处理的列。无论哪种情况，您都必须相应地重塑数据，而 scikit 不会处理。

1）如果您希望它们成为单列，请像这样重塑：

# Here first value -1 is for rows and second 1 for column
# This means you want the columns to be 1 and -1 
# will be configured automatically (10 in this case)
b = b.reshape(-1, 1) 

2) 如果您希望这 10 个值是 10 列的单行，请执行以下操作：

b = b.reshape(1, -1) 

然后你可以这样做：

stan.fit_tranform(b)

但请注意，每种情况下的结果都会有所不同。