如何使用Python Pandas对数据进行标准化和归一化预处理?

云墨姑娘_5496

云墨姑娘_5496

2026-06-29

266人浏览

原创

使用 Claude Agent SDK 将绑定的 Claude 代码会话嵌入到 Python 自动化中
使用 Claude Agent SDK 将绑定的 Claude 代码会话嵌入到 Python 自动化中

当现有的脚本或服务需要将作用域化的仓库工作委托给 Claude Code 并以编程方式消费结构化响应时,请使用 Claude Agent SDK for Python。

下载
标准化和归一化需规避NaN、常量列及类型误操作:先筛选数值列,显式检查唯一值数量与缺失情况;优先使用MinMaxScaler等成熟工具而非手写公式;缩放后须核对dtype、分布及业务合理性。

如何使用python pandas对数据进行标准化和归一化预处理?

直接用 df.sub().div() 做标准化,但必须先处理 NaN 和常量列

用 df.sub(df.mean()).div(df.std()) 看似一行搞定 Z-score,但实际踩坑率极高: - 若某列全为 NaN,df.std() 返回 NaN,整列变 NaN; - 若某列只含一个非空值(或全相同),df.std() 为 0,除零报 RuntimeWarning: invalid value encountered in divide,结果全是 nan 或 inf; - df.mean() 默认跳过 NaN,但 df.std() 对含 NaN 列仍会计算(样本标准差),若只剩 1 个有效值,std = 0 → 后续崩溃。 建议操作: - 先用 df.select_dtypes(include='number') 锁定数值列,避免对时间、ID、category 列误操作; - 对每列显式检查:if x.nunique() > 1 and not x.isna().all(),否则跳过或设为 0; - 替代写法:df.apply(lambda x: (x - x.mean()) / x.std(ddof=0) if x.nunique() > 1 else 0)(ddof=0 避免样本校正导致 std 更小)。

MinMaxScaler 比手写 (df - df.min()) / (df.max() - df.min()) 更可靠

手写归一化公式看着干净,但生产环境几乎必崩: - 当某列 max == min(常量列),分母为 0,整列变 inf 或 nan; - 若训练集某列 min/max 是异常值,测试数据超出该范围,归一化后值会 1,破坏模型输入假设; - MinMaxScaler 内置保护:遇到常量列默认输出 feature_range[0](通常是 0.5),且支持 clip=True 自动截断越界值。 实操要点: - 必须用 fit_transform() 处理训练集,再用 transform() 处理测试集,不能对测试集单独 fit_transform(); - 若需反归一化,保存 scaler 对象(它存了 min_ 和 scale_),别依赖原始 df.min(); - 注意 feature_range 默认是 (0, 1),但浮点误差可能导致极小负数(如 -1e-15),上线前加 np.clip(0, 1) 更稳妥。

标准化/归一化后 dtype 变成 float64,但 merge/groupby 可能出问题

缩放后所有数值列自动转为 float64,这本身没问题,但容易引发隐性 bug: - 原先是 int64 的 ID 列若被误纳入处理,变成 float 后再 merge 会因精度丢失失败(如 123456789012345 → 123456789012345.0); - category 类型的编码列(如 label-encoded)参与 df.mean() 会静默返回 NaN,必须提前 astype(float); - 时间列(datetime64)若被 select_dtypes(include='number') 漏掉,通常没问题;但若误用 pd.to_numeric() 强转,会丢精度。 建议步骤: - 显式指定要处理的列:num_cols = ['age', 'income', 'score'],而非依赖类型推断; - 缩放后用 df[num_cols].dtypes 快速核对; - 若后续要 groupby('user_id'),确认 user_id 没被包含在 num_cols 中。

上线前必须用 describe() 扫一眼缩放后的分布

缩放不是“做完就完事”,关键看结果是否合理: - 标准化后 std 应 ≈ 1,mean 应 ≈ 0 —— 但若某列训练集 std 是 1e-8,缩放后数值可能爆炸(如原值 100 → 输出 1e10); - 归一化后 min 应 ≥ 0,max 应 ≤ 1 —— 但若测试集出现超范围值且没开 clip=True,max 就会 > 1; - 异常值未清洗时,归一化会把整列“压扁”:比如收入列有 1 个 1000 万 outlier,其余都在 5k–20k,归一化后正常值全挤在 0–0.002 区间。 所以每次缩放后务必执行:df_scaled.describe(percentiles=[.01, .25, .5, .75, .99]),重点盯 std、min、max 和 99% 分位数 —— 这比代码逻辑更容易暴露真实问题。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5624

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1909

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34477

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4027

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4027

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3143

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程