sklearn.preprocessing

缩放、居中、规范化、二进制化等方法。

User guide. 看到 预处理数据 部分了解更多详细信息。

Binarizer	根据阈值对数据进行二值化（将特征值设置为0或1）。
FunctionTransformer	从任意可调用对象构造Transformer。
KBinsDiscretizer	将连续数据放入时间间隔中。
KernelCenterer	将任意核矩阵置于中心 \(K\) .
LabelBinarizer	以one-vs-all的方式二进制化标签。
LabelEncoder	使用0和n_classes-1之间的值对目标标签进行编码。
MaxAbsScaler	按每个要素的最大绝对值缩放。
MinMaxScaler	通过将每个特征缩放到给定范围来变换特征。
MultiLabelBinarizer	在可迭代项和多标签格式之间转换。
Normalizer	将样本单独标准化至单位规范。
OneHotEncoder	将类别功能编码为一热数字数组。
OrdinalEncoder	将类别特征编码为一个整元数组。
PolynomialFeatures	生成多项和交互功能。
PowerTransformer	按特征应用幂变换以使数据更像高斯。
QuantileTransformer	使用分位数信息变换要素。
RobustScaler	使用对离群值具有鲁棒性的统计数据来缩放特征。
SplineTransformer	为特征生成一元B样条基。
StandardScaler	通过删除均值并缩放到单位方差来标准化特征。
TargetEncoder	用于回归和分类目标的目标编码器。
add_dummy_feature	使用额外的虚拟功能来增强数据集。
binarize	类数组或scipy.稀疏矩阵的布尔阈值化。
label_binarize	以one-vs-all的方式二进制化标签。
maxabs_scale	将每个功能扩展到 [-1, 1] 范围而不破坏稀疏性。
minmax_scale	通过将每个特征缩放到给定范围来变换特征。
normalize	Scale input vectors individually to unit norm (vector length).
power_transform	参数单调变换使数据更加类似高斯。
quantile_transform	使用分位数信息变换要素。
robust_scale	标准化沿着任何轴的数据集。
scale	标准化沿着任何轴的数据集。