如何在包含 numpy.ndarrays 的列/列的 pandas 数据帧上执行 StandardScaler?
Posted
技术标签:
【中文标题】如何在包含 numpy.ndarrays 的列/列的 pandas 数据帧上执行 StandardScaler?【英文标题】:How to perform StandardScaler on pandas dataframe with a column/columns containing numpy.ndarrays? 【发布时间】:2019-12-14 15:10:26 【问题描述】:我有一个 pandas 数据框,其中包含一些带有 numpy.ndarrays 的列:
col1 col2 col3 col4
0 4 array([34, 56, 234]) 7 array([765, 654])
1 3 array([11, 598, 1]) 89 array([34, 90])
我想进行某种类型的缩放。
我已经完成了非常标准的事情:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
我遇到了非常预期的错误:
ValueError: setting an array element with a sequence.
我需要帮助标准化这些 numpy 数组以及其他所有内容!
【问题讨论】:
【参考方案1】:StandardScaler
期望每一列都有 numeric 值,但 col2
和 col4
有序列,因此会出现错误。
我认为最好单独处理带有序列的列,然后再与其余数据组合。
现在,我将假设所有行,不。给定列的元素顺序是相同的,例如col_2
的所有行都有 3 值数组。
因为,StandardScaler
会分别为所有列计算 mean
和 std
。序列列有两种方法:
方法一:序列所有位置的元素都来自同一个分布。
在这种情况下,您应该得到mean
和std
的所有值。将StandardScaler
拟合到扁平阵列后,将其重新整形为原始形状。
方法2:序列不同位置的元素来自不同的分布。
在这种情况下,可以将单个列转换为 2D numpy 数组。您可以将StandardScaler
放在该二维数组上(每列mean
和std
将分别计算)并在转换后将其恢复为单列。
以下是两种方法的代码:
# numeric columns should work as expected
X_train_1 = X_train[['col1', 'col3']]
X_test_1 = X_test[['col1', 'col3']]
sc = StandardScaler()
X_train_1 = sc.fit_transform(X_train_1)
X_test_1 = sc.transform(X_test_1)
# first convert seq column to a 2d array
X_train_col2 = np.vstack(X_train['col2'].values).astype(float)
X_test_col2 = np.vstack(X_test['col2'].values).astype(float)
# for sequence columns, there are two approaches:
# Approach 1
sc_col2 = StandardScaler()
X_train_2 = sc_col2.fit_transform(X_train_col2.flatten().reshape(-1, 1))
X_train_2 = X_train_2.reshape(X_train_col2.shape)
X_test_2 = sc_col2.transform(X_test_col2.flatten().reshape(-1, 1))
X_test_2 = X_test_2.reshape(X_test_col2.shape)
# Approach 2
sc_col2 = StandardScaler()
X_train_2 = sc_col2.fit_transform(X_train_col2)
X_test_2 = sc_col2.transform(X_test_col2)
# To assign back to dataframe, you can do following:
X_test["col2_scaled"] = X_test_2.tolist()
# To stack with other numpy arrays
X_train_scaled = np.hstack((X_train_1, X_train_2))
在方法 2 中,可以先堆叠所有列,然后一次性对所有列执行StandarScaler
。
【讨论】:
感谢您的回复!我即将准备好实现这一点,但我注意到我所有的数字都不是 numpy 类型。我应该将数组中的所有这些数字和列中的整数转换为它们的 numpy 等效类型吗? 是的!我会建议这样做。我正在编辑我的答案以在缩放之前将所有内容转换为浮动!【参考方案2】:尝试将数组转换为数据框。我有限的理解是它需要使用二维数组而不是一维数组。
import pandas as pd
import numpy as np
X = pd.DataFrame(np.array(([34, 56, 234]))
y = pd.DataFrame(np.array([11, 598, 1]))
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
X_train
Out[38]:
array([[ 1.],
[-1.]])
【讨论】:
以上是关于如何在包含 numpy.ndarrays 的列/列的 pandas 数据帧上执行 StandardScaler?的主要内容,如果未能解决你的问题,请参考以下文章
何时使用 pandas 系列、numpy ndarrays 或简单的 python 字典?
JSON - 使用 numpy 数组条目序列化 pandas 数据帧
Python:打印 Pandas 数据框返回 numpy.ndarray 属性错误