![](/img/trans.png)
[英]Python/sklearn - preprocessing.MinMaxScaler 1d deprecation
[英]preprocessing.MinMaxScaler and preprocessing.normalize return dataframe of Nulls
我有一个以浮点数作为数据的数据框,我想对数据进行规范化,因此首先将其转换为int(否则将出现错误ValueError: Input contains NaN, infinity or a value too large for dtype('float64').
)我的规范化代码:
def normalize_df():
x = my_df.values.astype(int)
min_max_scaler = preprocessing.MinMaxScaler()
x_scaled = min_max_scaler.fit_transform(x)
df = pd.DataFrame(x_scaled)
return df
我的输出是
0 1 2 3 4 5 6 7 8 9 ... 12 13 14 15 16 17 18 19 20 21
0 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
发生了什么情况(假设我的初始数据框在某些行中包含值0
,但小于数据框的30%)? 如何解决此错误并避免输出为零?
EDITED
我的数据看起来像(有更多的列和行):
36680 0 22498037 2266
0 2218 22502676 0
26141 0 22505885 4533
39009 0 22520711 4600
36237 0 22527171 5933
我尝试将值设置为0.0到1.0
这不是错误,它的发生是因为您正尝试将NaN
值转换为整数,并查看其工作原理(在我的机器上):
In [132]: a
Out[132]: array([ nan, 1., nan])
In [133]: a.astype(int)
Out[133]: array([-9223372036854775808, 1, -9223372036854775808])
因此,与数据集中的另一个整数相比,每个NaN
都是一个很小的值,这会导致缩放错误。
要解决此问题,您应该使用浮点数。 在缩放之前,您需要通过一些插补来消除NaN
,或者完全删除不完整的样本。 查看sklearn.preprocessing.Imputer 。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.