为什么 fit_transform() 总是给我零？答案

【问题标题】：Why does fit_transform() always give me zeros?为什么 fit_transform() 总是给我零？
【发布时间】：2021-09-13 00:16:36
【问题描述】：

我想知道为什么会这样：

sklearn.preprocessing.StandardScaler().fit_transform([[58,144000]])

给出这个结果：

array([[0., 0.]])

我正在做一个逻辑回归，我在上面的值数组（实际数据文件）上运行fit_transform()。然而，这种转变似乎运作良好。但是，当我尝试执行如上所示的一对值 ([[58,144000]]) 时，我得到了零。

对于使用“新”输入的预测，我需要像缩放测试/训练数据一样缩放新值，这样我的机器学习预测才会起作用。

感谢您的建议。

谢谢！

【问题讨论】：

请提供预期的minimal, reproducible example (MRE)。我们应该能够复制和粘贴您的代码的连续块，执行该文件，并重现您的问题以及跟踪问题点的输出。这让我们可以根据您的测试数据和所需的输出来测试我们的建议。
我不确定这是否能回答您的问题，但如果您已经将 standard_scaler=StandardScaler() 对象适合您的训练数据并且您想要转换您的新数据，那么您应该使用 standard_scaler.transform 而不是StandardScaler().fit_transform.

标签： python scikit-learn

【解决方案1】：

如果您阅读docs，您可能想知道，为什么它需要一个二维数组？您可以计算向量的平均值和标准差，向量是一维数组，因为您将其反映在您的问题上。答案是，它需要（样本、特征）数据。

因此，如果您传递 [[58,144000]] 之类的数据，它是一个 (1,2) 数组，这意味着 1 个样本具有 2 个特征。然后它将适合变换每个特征，这是一个单一的数字。标准化每个特征会给你一个零：[[0., 0.]]。

另一方面，如果你传递[[58],[144000]]这样的数据，那么它将是(2,1)，这意味着2个样本和1个特征。然后它对每个功能进行扩展和标准化，并为您提供您可能期望的结果，例如：[[-1],[1]]。

x = [58,144000]
mu = np.mean(x)
sigma = np.std(x)
print([((58 - mu) / sigma),((144000 - mu) / sigma)]) # [-1.0, 1.0]

from sklearn.preprocessing import StandardScaler
print(StandardScaler().fit_transform([[58],[144000]])) # [[-1.] [ 1.]]

【讨论】：

我遇到的问题之一是这段代码： from sklearn.preprocessing import StandardScaler sc = StandardScalar() 给我错误“未定义名称'StandardScalar'”
它不是 StandardScalar()，它的 StandardScaler()。标量错误，标量er 没问题。
谢谢，部分有效，但结果错误。从 AZ 机器学习类，从 sklearn.preprocessing import StandardScaler sc = StandardScaler() print(classifier.predict(sc.fit_transform([[49, 28000]]))) -> 是零，什么时候应该是一。
你看过我的回答吗？我告诉过，如果你传递这样的数组 [[49, 28000]]，它会将这视为 1 个样本的两个特征。那么它们在转换中都将为零。应该是 [[49], [28000]]
是的，我读过，但您的建议无效。使用您的建议，我得到：“ X 每个样本有 1 个特征；期望 2”