问用于数据缩放、居中和Box-Cox变换的Python库

EN

对于缩放和居中，您可以使用sklearn中的preprocessing

from sklearn import preprocessing
centered_scaled_data = preprocessing.scale(original_data)

对于Box-Cox，您可以使用来自scipy的boxcox

from scipy.stats import boxcox
boxcox_transformed_data = boxcox(original_data)

对于偏斜度的计算，可以使用scipy中的skew

from scipy.stats import skew
skness = skew(original_data)

您可以阅读有关Resolving Skewness in this post的更多详细信息。此外，您还可以找到有关Centering & Scaling here的更多详细信息。

现在，学习有了一种方法来做你想做的事情。这提供了一个熟悉的API，并且很容易放入管道中。

sklearn版本0.20.0具有可通过power_transform方法使用的盒-Cox转换。该方法应用Box-Cox，然后对数据应用零均值、单位方差归一化。可以使用(standardize=False)编辑默认规格化。

sklearn.preprocessing.power_transform(X, method=’box-cox’, standardize=True, copy=True)

在特征方面应用了幂变换，使数据更像高斯。

幂变换是一族参数单调变换，用于使数据更像高斯。这对于与异方差(非恒定方差)相关的建模问题或需要正态性的其他情况很有用。

目前，power_transform()支持Box-Cox变换。Box-Cox要求输入数据严格为正。通过最大似然法估计稳定方差和最小化偏度的最优参数。

默认情况下，对转换后的数据应用零均值、单位方差归一化。

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.power_transform.html

主要文档页面没有提到这一点，但power_transform也支持Yeo-Johnson转换。

文档在这里也有一个很好的解释：http://scikit-learn.org/stable/modules/preprocessing.html#preprocessing-transformer