sklearn StandardScaler 返回全零

Question

我有一個從以前的模型中保存的 sklearn StandardScaler並且正在嘗試將其應用於新數據

scaler = myOldStandardScaler
print("ORIG:", X)
print("CLASS:", X.__class__)
X = scaler.fit_transform(X)
print("SCALED:", X)

我有三個觀察結果，每個觀察結果有 2000 個特征。 如果我分別運行每個觀察，我會得到一個全零的輸出。

ORIG: [[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[ 0.  0.  0. ...,  0.  0.  0.]]

但是如果我將所有三個觀察結果附加到一個數組中，我就會得到我想要的結果

ORIG: [[  0.00000000e+00   8.69737728e-08   7.53361877e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  9.49627142e-04   0.00000000e+00   0.00000000e+00 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
[  3.19029839e-04   0.00000000e+00   1.90985485e-06 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]
CLASS: <class 'numpy.matrixlib.defmatrix.matrix'>
SCALED: [[-1.07174217  1.41421356  1.37153077 ...,  0.          0.          0.        ]
[ 1.33494964 -0.70710678 -0.98439142 ...,  0.          0.          0.        ]
[-0.26320747 -0.70710678 -0.38713935 ...,  0.          0.          0.        ]]

我已經看到了這兩個問題：

• Sklearn 的 MinMaxScaler 只返回零
• 意外的 StandardScaler fit_transform 輸出

兩者都沒有公認的答案。

我試過：

• 從 (1,n) 到 (n,1) 的整形（這會給出錯誤的結果）
• 將數組轉換為np.float32和np.float64 （仍然全為零）
• 創建一個數組的數組（再次，全部為零）
• 創建一個np.matrix （再次，全零）

我錯過了什么？ fit_transform的輸入是相同的類型，只是大小不同。

如何讓 StandardScaler 與單個觀察一起工作？

Answer 1

當您嘗試將StandardScaler對象的fit_transform方法應用於大小為 (1, n) 的數組時，您顯然會得到全零，因為對於每個數組數，您要從中減去該數的平均值，該數等於 number 並除以 std這個數字。 如果要正確縮放數組，則應將其轉換為大小為 (n, 1) 的數組。 你可以這樣做：

import numpy as np

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.fit_transform(X[:, np.newaxis])

在這種情況下，您可以通過一個對象的功能獲得一個對象的標准縮放，這不是您要找的。
如果fit_transform 3 個對象的一個​​特征進行縮放，則應將大小為 (3, 1) 的數組傳遞給fit_transform方法，其中包含與每個對象對應的特定特征的值。

X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.fit_transform(X[:, np.newaxis]) # you should get
# array([[-1.07174217], [1.33494964], [-0.26320747]]) you're looking for

如果你想使用已經擬合的 StandardScaler 對象，你不應該使用fit_transform方法，因為它用新數據重新擬合對象。 StandardScaler有transform方法，它適用於單一觀察：

X = np.array([1, -4, 5, 6, -8, 5]) # here should be your X in np.array format
X_transformed = scaler.transform(X.reshape(1, -1))

Answer 2

我有同樣的問題。 大小為 (1, n) 的數組問題的另一個（更簡單）解決方案是轉置矩陣，它的大小為 (n, 1)。

X = np.array([0.00000000e+00, 9.49627142e-04, 3.19029839e-04])
X_transformed = scaler.transform(X.T)