MaxAbsScaler#

class sklearn.preprocessing.MaxAbsScaler(*, copy=True)#

缩放每个特征以其最大绝对值。

该估计器单独缩放和转换每个特征，使得训练集中每个特征的最大绝对值将为1.0。它不会移动/中心化数据，因此不会破坏任何稀疏性。

该缩放器也可以应用于稀疏的CSR或CSC矩阵。

MaxAbsScaler 不会减少离群值的影响；它只会线性地将它们缩小。有关示例可视化，请参阅 Compare MaxAbsScaler with other scalers 。

Added in version 0.17.

Parameters:
copybool, default=True

设置为False以就地缩放并避免复制（如果输入已经是numpy数组）。

Attributes:
scale_ndarray of shape (n_features,)

数据的每个特征相对缩放。

Added in version 0.17: scale_ 属性。

max_abs_ndarray of shape (n_features,)

每个特征的最大绝对值。

n_features_in_int

在 fit 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 fit 期间看到的特征名称。仅当 X 的特征名称均为字符串时定义。

Added in version 1.0.

n_samples_seen_int

估计器处理的样本数量。将在新的fit调用中重置，但在 partial_fit 调用中递增。

See also

maxabs_scale

等效函数，没有估计器API。

Notes

NaNs被视为缺失值：在fit中忽略，在transform中保持。

Examples

>>> from sklearn.preprocessing import MaxAbsScaler
>>> X = [[ 1., -1.,  2.],
...      [ 2.,  0.,  0.],
...      [ 0.,  1., -1.]]
>>> transformer = MaxAbsScaler().fit(X)
>>> transformer
MaxAbsScaler()
>>> transformer.transform(X)
array([[ 0.5, -1. ,  1. ],
       [ 1. ,  0. ,  0. ],
       [ 0. ,  1. , -0.5]])
fit(X, y=None)#

计算用于后续缩放的最大绝对值。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

用于计算沿特征轴缩放的每个特征的最小值和最大值的数据。

yNone

忽略。

Returns:
selfobject

拟合的缩放器。

fit_transform(X, y=None, **fit_params)#

拟合数据，然后进行转换。

将转换器拟合到 X 和 y ，并带有可选参数 fit_params ， 并返回 X 的转换版本。

Parameters:
X形状为 (n_samples, n_features) 的类数组

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组, 默认=None

目标值（无监督转换为 None）。

**fit_paramsdict

其他拟合参数。

Returns:
X_new形状为 (n_samples, n_features_new) 的 ndarray 数组

转换后的数组。

get_feature_names_out(input_features=None)#

获取变换后的输出特征名称。

Parameters:
input_features字符串数组或None，默认=None

输入特征。

  • 如果 input_features 是 None ，则使用 feature_names_in_ 作为输入特征名称。如果 feature_names_in_ 未定义，则生成以下输入特征名称： ["x0", "x1", ..., "x(n_features_in_ - 1)"] 。

  • 如果 input_features 是数组类型，则 input_features 必须与 feature_names_in_ 匹配（如果 feature_names_in_ 已定义）。

Returns:
feature_names_out字符串对象的ndarray

与输入特征相同。

get_metadata_routing()#

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Returns:
routingMetadataRequest

MetadataRequest 封装的 路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:
paramsdict

参数名称映射到它们的值。

inverse_transform(X)#

将数据缩放回原始表示。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

应该转换回的数据。

Returns:
X_tr{ndarray, sparse matrix}，形状为 (n_samples, n_features)

转换后的数组。

partial_fit(X, y=None)#

在线计算X的最大绝对值以用于后续缩放。

所有X被作为一个批次处理。这适用于由于 n_samples 数量非常大或因为X是从连续流中读取而导致无法使用:meth:fit 的情况。

Parameters:
X{array-like, sparse matrix} of shape (n_samples, n_features)

用于计算特征轴上后续缩放所需的均值和标准差的数据。

yNone

忽略。

Returns:
selfobject

已拟合的缩放器。

set_output(*, transform=None)#

设置输出容器。

请参阅 介绍 set_output API 以了解如何使用API的示例。

Parameters:
transform{“default”, “pandas”, “polars”}, 默认=None

配置 transform 和 fit_transform 的输出。

  • "default" : 转换器的默认输出格式

  • "pandas" : DataFrame 输出

  • "polars" : Polars 输出

  • None : 转换配置不变

Added in version 1.4: "polars" 选项已添加。

Returns:
self估计器实例

估计器实例。

set_params(**params)#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。

transform(X)#

缩放数据。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

应该缩放的数据。

Returns:
X_tr{ndarray, sparse matrix}，形状为 (n_samples, n_features)

变换后的数组。

On this page
Show Source