如何在包含 numpy.ndarrays 的列/列的 pandas 数据帧上执行 StandardScaler？

Posted 2023-03-12

【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！

【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.]])