sklearn StandardScaler 返回所有零

Question

我有一个从以前的模型中保存的sklearnStandardScaler，并正在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)

我有三个观察结果，每个观察结果有 2000 个特征。如果我单独运行每个观察，我会得到所有零的输出。

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，我会得到我想要的结果

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.        ]]

我看到了这两个问题：

• Sklearn的MinMaxScaler只返回零
• 意外的标准缩放器fit_transform输出

两者都没有公认的答案。

我试过：

• 从 (1，n) 重塑为 (n，1)(这会产生不正确的结果)
• 将数组转换为np.float32和np.float64(仍然全部为零)
• 创建一个数组的数组(同样，全部为零)
• 创建一个np.matrix(同样，全为零)

我错过了什么？fit_transform的输入是相同的类型，只是大小不同。

如何让标准缩放器处理单个观测值？

Answer 1

当你尝试将StandardScaler对象应用于大小为 (1， n) 的数组fit_transform方法时，你显然会得到所有零，因为对于每个数组数，你从中减去这个数字的平均值，它等于数字并除以这个数字的 std。如果要正确缩放数组，则应将其转换为大小为 (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，您可以通过其功能获得一个对象的标准缩放，这不是您要查找的。
如果要按 3 个对象的一个特征进行缩放，则应传递给大小为 (3， 1)fit_transform方法数组，其中包含对应于每个对象的特定特征的值。

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

如果要使用已拟合的 StandardScaler 对象，则不应使用fit_transform方法，因为它会用新数据重新调整对象。StandardScaler有transform方法，适用于单个观察：

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))

Answer 2

我遇到了同样的问题。对于大小为 (1， n) 的数组问题，另一个(更简单)的解决方案是转置矩阵，它将是大小 (n， 1)。

X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.transform(X.T)