数据的标准化方式

有两种常见的方法可以让所有的属性有相同的量度：线性函数归一化（Min-Max scaling）和标准化（standardization）。

方式 1：StandardScaler()

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()  # SS方式
for clo in train_x.columns:#循环每一列
    train_x[clo] = scaler.fit_transform(train_x[clo].values.reshape(-1, 1))

#转化函数为：z = (x - u) / s，Z为转化后的值，x为当 前值， u为均值， s为样本的标准差

代码解释：
该段代码使用了StandardScaler类从sklearn.preprocessing模块中进行数据标准化操作。

首先，创建了一个StandardScaler对象，并将其赋值给变量scaler。

然后，通过一个循环遍历train_x的每一列（特征）：

• 针对每一列，将该列的值转换为一维数组形式，即使用values.reshape(-1, 1)。
• 调用scaler.fit_transform()方法，将该列的数据进行标准化转换。
• 最后，将标准化后的结果赋值回原始数据集的相应列train_x[clo]。

这段代码的转换函数为：z = (x - u) / s，其中z为转换后的值，x为当前值，u为均值，s为样本的标准差。通过该标准化操作，可以使每一列的数据都按照其均值为0，标准差为1的分布进行转换，以便更好地适应机器学习算法的训练和预测过程。

方式 2：归一化（normalization）

线性函数归一化（许多人称其为归一化（normalization））很简单：值被转变、重新缩放，直到范围变成 0 到 1。我们通过减去最小值，然后再除以最大值与最小值的差值，来进行归一化。Scikit-Learn 提供了一个转换器MinMaxScaler来实现这个功能。它有一个超参数feature_range，可以让你改变范围，如果不希望范围是 0 到 1。

python">from sklearn.preprocessing import StandardScaler, MinMaxScaler
std_scaler = StandardScaler()
mm_scaler = MinMaxScaler()

python">housing_num_ss = std_scaler.fit_transform(housing_num)
housing_num_ss

Reference

手把手带你开启机器学习之路——房价预测(一)

二、端到端的机器学习项目（StatLib 的加州房产价格数据集）