如何将 sklearn fit_transform 与 pandas 一起使用并返回 dataframe 而不是 numpy 数组？

Question

我想将缩放（使用 sklearn.preprocessing 中的 StandardScaler()）应用于 pandas dataframe。以下代码返回 numpy 数组，因此我丢失了所有列名和索引。 这不是我想要的。

features = df[["col1", "col2", "col3", "col4"]]
autoscaler = StandardScaler()
features = autoscaler.fit_transform(features)

我在网上找到的“解决方案”是：

features = features.apply(lambda x: autoscaler.fit_transform(x))

它似乎有效，但会导致弃用警告：

/usr/lib/python3.5/site-packages/sklearn/preprocessing/data.py:583: DeprecationWarning: Passing 1d arrays as data is deprecated in 0.17 and will raise ValueError in 0.19. 如果您的数据具有单个特征，则使用 X.reshape(-1, 1) 重塑您的数据，如果它包含单个样本，则使用 X.reshape(1, -1) 。

因此我尝试：

features = features.apply(lambda x: autoscaler.fit_transform(x.reshape(-1, 1)))

但这给出了：

回溯（最近调用最后）：文件“./analyse.py”，第 91 行，在 features = features.apply(lambda x: autoscaler.fit_transform(x.reshape(-1, 1))) 文件“/usr/ lib/python3.5/site-packages/pandas/core/frame.py”，第 3972 行，在 apply return self._apply_standard(f, axis, reduce=reduce) File “/usr/lib/python3.5/site- packages/pandas/core/frame.py”，第 4081 行，在 _apply_standard result = self._constructor(data=results, index=index) 文件“/usr/lib/python3.5/site-packages/pandas/core/frame .py", line 226, in init mgr = self._init_dict(data, index, columns, dtype=dtype) File "/usr/lib/python3.5/site-packages/pandas/core/frame.py", line 363，在 _init_dict dtype=dtype) 文件“/usr/lib/python3.5/site-packages/pandas/core/frame.py”，第 5163 行，在 _arrays_to_mgr arrays = _homogenize(arrays, index, dtype) 文件“/ usr/lib/python3.5/site-packages/pandas/core/frame.py”，第 5477 行，在 _homogenize raise_cast_failure=False) 文件“/usr/lib/python3.5/site-packages/pandas/core/series .py”，第 2885 行，在 _sa nitize_array raise Exception('Data must be 1-dimensional') 异常：Data must be 1-dimensional

如何对 pandas dataframe 应用缩放，而使 dataframe 完好无损？ 如果可能，不复制数据。

Answer 1

您可以使用as_matrix()将 DataFrame 转换为 numpy 数组。 随机数据集的示例：

编辑：更改as_matrix()到values ，（它不会改变结果）每最后一句as_matrix()文档上面：

一般建议使用'.values'。

import pandas as pd
import numpy as np #for the random integer example
df = pd.DataFrame(np.random.randint(0.0,100.0,size=(10,4)),
              index=range(10,20),
              columns=['col1','col2','col3','col4'],
              dtype='float64')

注意，索引是 10-19：

In [14]: df.head(3)
Out[14]:
    col1    col2    col3    col4
    10  3   38  86  65
    11  98  3   66  68
    12  88  46  35  68

现在fit_transform DataFrame 以获取scaled_features array ：

from sklearn.preprocessing import StandardScaler
scaled_features = StandardScaler().fit_transform(df.values)

In [15]: scaled_features[:3,:] #lost the indices
Out[15]:
array([[-1.89007341,  0.05636005,  1.74514417,  0.46669562],
       [ 1.26558518, -1.35264122,  0.82178747,  0.59282958],
       [ 0.93341059,  0.37841748, -0.60941542,  0.59282958]])

将缩放后的数据分配给 DataFrame（注意：使用index和columns关键字参数来保留原始索引和列名：

scaled_features_df = pd.DataFrame(scaled_features, index=df.index, columns=df.columns)

In [17]:  scaled_features_df.head(3)
Out[17]:
    col1    col2    col3    col4
10  -1.890073   0.056360    1.745144    0.466696
11  1.265585    -1.352641   0.821787    0.592830
12  0.933411    0.378417    -0.609415   0.592830

---

编辑2：

遇到了sklearn-pandas包。 它专注于使 scikit-learn 更易于与 Pandas 一起使用。 当您需要对DataFrame列子集应用多种类型的转换时， sklearn-pandas特别有用，这是一种更常见的场景。 它已记录在案，但这就是您实现我们刚刚执行的转换的方式。

from sklearn_pandas import DataFrameMapper

mapper = DataFrameMapper([(df.columns, StandardScaler())])
scaled_features = mapper.fit_transform(df.copy(), 4)
scaled_features_df = pd.DataFrame(scaled_features, index=df.index, columns=df.columns)

Answer 2

import pandas as pd    
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('your file here')
ss = StandardScaler()
df_scaled = pd.DataFrame(ss.fit_transform(df),columns = df.columns)

df_scaled 将是“相同”的数据帧，只有现在具有缩放值

Answer 3

features = ["col1", "col2", "col3", "col4"]
autoscaler = StandardScaler()
df[features] = autoscaler.fit_transform(df[features])

Answer 4

为我工作：

from sklearn.preprocessing import StandardScaler

cols = list(train_df_x_num.columns)
scaler = StandardScaler()
train_df_x_num[cols] = scaler.fit_transform(train_df_x_num[cols])

Answer 5

重新分配回 df.values 保留索引和列。

df.values[:] = StandardScaler().fit_transform(df)

Answer 6

这就是我所做的：

X.Column1 = StandardScaler().fit_transform(X.Column1.values.reshape(-1, 1))

Answer 7

您可以使用Neuraxle在 scikit-learn 中混合多种数据类型：

选项 1：丢弃行名和列名

from neuraxle.pipeline import Pipeline
from neuraxle.base import NonFittableMixin, BaseStep

class PandasToNumpy(NonFittableMixin, BaseStep):
    def transform(self, data_inputs, expected_outputs): 
        return data_inputs.values

pipeline = Pipeline([
    PandasToNumpy(),
    StandardScaler(),
])

然后，您按预期进行：

features = df[["col1", "col2", "col3", "col4"]]  # ... your df data
pipeline, scaled_features = pipeline.fit_transform(features)

选项2：保留原来的列名和行名

你甚至可以用这样的包装器来做到这一点：

from neuraxle.pipeline import Pipeline
from neuraxle.base import MetaStepMixin, BaseStep

class PandasValuesChangerOf(MetaStepMixin, BaseStep):
    def transform(self, data_inputs, expected_outputs): 
        new_data_inputs = self.wrapped.transform(data_inputs.values)
        new_data_inputs = self._merge(data_inputs, new_data_inputs)
        return new_data_inputs

    def fit_transform(self, data_inputs, expected_outputs): 
        self.wrapped, new_data_inputs = self.wrapped.fit_transform(data_inputs.values)
        new_data_inputs = self._merge(data_inputs, new_data_inputs)
        return self, new_data_inputs

    def _merge(self, data_inputs, new_data_inputs): 
        new_data_inputs = pd.DataFrame(
            new_data_inputs,
            index=data_inputs.index,
            columns=data_inputs.columns
        )
        return new_data_inputs

df_scaler = PandasValuesChangerOf(StandardScaler())

然后，您按预期进行：

features = df[["col1", "col2", "col3", "col4"]]  # ... your df data
df_scaler, scaled_features = df_scaler.fit_transform(features)

Answer 8

这与 MinMaxScaler 一起将数组值恢复到原始数据帧。 它也应该适用于 StandardScaler。

data_scaled = pd.DataFrame(scaled_features, index=df.index, columns=df.columns)

其中，data_scaled 是新数据框，scaled_features = 归一化后的数组，df = 我们需要返回索引和列的原始数据框。

Answer 9

从 sklearn 1.2 版开始，estiamtors 可以返回一个保留列名的 DataFrame。 set_output可以通过调用set_output方法或通过设置set_config(transform_output="pandas")全局配置每个估计器

请参阅scikit-learn 1.2 的发布亮点 - 使用 set_output API 的 Pandas 输出

set_output()示例：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler().set_output(transform="pandas")

set_config()示例：

from sklearn import set_config
set_config(transform_output="pandas")

Answer 10

你可以试试这个代码，这会给你一个带索引的 DataFrame

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_boston # boston housing dataset

dt= load_boston().data
col= load_boston().feature_names

# Make a dataframe
df = pd.DataFrame(data=dt, columns=col)

# define a method to scale data, looping thru the columns, and passing a scaler
def scale_data(data, columns, scaler):
    for col in columns:
        data[col] = scaler.fit_transform(data[col].values.reshape(-1, 1))
    return data

# specify a scaler, and call the method on boston data
scaler = StandardScaler()
df_scaled = scale_data(df, col, scaler)

# view first 10 rows of the scaled dataframe
df_scaled[0:10]

Answer 11

您可以使用slicing直接将 numpy 数组分配给数据框。

from sklearn.preprocessing import StandardScaler
features = df[["col1", "col2", "col3", "col4"]]
autoscaler = StandardScaler()
features[:] = autoscaler.fit_transform(features.values)

Answer 12

class  StandardScalerDF:

    def __init__(self, with_mean: bool = True, with_std: bool = True):
        self.with_mean = with_mean
        self.with_std = with_std
        
    def fit(self, data):
        self.scaler = StandardScaler(copy=True, with_mean=self.with_mean, 
                                     with_std=self.with_std).fit(data)
        return self.scaler
    
    def transform(self, data):
        return pd.DataFrame(self.scaler.transform(data), columns=data.columns,
                            index=data.index)

#example: 
obj = StandardScalerDF()
obj.fit(data_as_df)
scaled_data_df = obj.transform(data_as_df) #data type: DataFrame