二进制化器#
- class sklearn.preprocessing.Binarizer(*, threshold=0.0, copy=True)[源代码]#
根据阈值对数据进行二值化（将特征值设置为0或1）。
大于阈值的值映射到1，而小于或等于阈值的值映射到0。默认阈值为0时，只有正值映射到1。
二进制化是对文本计数数据的常见操作，分析师可以决定仅考虑特征的存在或不存在，而不是量化的出现次数。
它还可以用作考虑布尔随机变量的估计器的预处理步骤（例如，在Bayesian设置中使用伯努里分布建模）。
阅读更多的 User Guide .
- 参数:
- thresholdfloat，默认=0.0
低于或等于该值的特征值将被0替换，高于该值的特征值将被1替换。对于稀疏矩阵上的操作，阈值不能小于0。
- copy布尔，默认=True
设置为False以执行就地二进制化并避免复制（如果输入已经是numpy数组或scipy.sparse CSR矩阵）。
- 属性:
参见
binarize没有估计器API的等效功能。
KBinsDiscretizer将连续数据放入时间间隔中。
OneHotEncoder将类别功能编码为一热数字数组。
注意到
如果输入是稀疏矩阵，则只有非零值会被
Binarizer课这个估计器是 stateless 并且不需要安装。不过，我们建议致电
fit_transform而不是transform，因为参数验证仅在fit.示例
>>> from sklearn.preprocessing import Binarizer >>> X = [[ 1., -1., 2.], ... [ 2., 0., 0.], ... [ 0., 1., -1.]] >>> transformer = Binarizer().fit(X) # fit does nothing. >>> transformer Binarizer() >>> transformer.transform(X) array([[1., 0., 1.], [1., 0., 0.], [0., 1., 0.]])
- fit(X, y=None)[源代码]#
仅验证估计器的参数。
该方法允许：（i）验证估计器的参数以及（ii）与scikit-learn Transformer API一致。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
数据。
- y没有一
忽视
- 返回:
- self对象
已安装Transformer。
- fit_transform(X, y=None, **fit_params)[源代码]#
适应数据，然后对其进行转换。
适合变压器
X和y具有可选参数fit_params并返回的转换版本X.- 参数:
- X形状类似阵列（n_samples，n_features）
输入样本。
- y形状为（n_samples，）或（n_samples，n_outputs）的阵列状， 默认值=无
目标值（无监督转换）。
- **fit_paramsdict
其他适合参数。
- 返回:
- X_newndray形状数组（n_samples，n_features_new）
变形的数组。
- get_feature_names_out(input_features=None)[源代码]#
获取用于转换的输出要素名称。
- 参数:
- input_features字符串或无的类数组，默认=无
输入功能。
如果
input_features是None那么feature_names_in_在中用作功能名称。如果feature_names_in_未定义，则生成以下输入要素名称：["x0", "x1", ..., "x(n_features_in_ - 1)"].如果
input_features是一个类似阵列的，那么input_features必须匹配feature_names_in_如果feature_names_in_是定义的。
- 返回:
- feature_names_out字符串对象的nd数组
与输入功能相同。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请检查 User Guide 关于路由机制如何工作。
- 返回:
- routingMetadataRequest
A
MetadataRequest封装路由信息。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数:
- deep布尔，默认=True
如果为True，将返回此估计量和包含的作为估计量的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。
- set_params(**params)[源代码]#
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).后者具有以下形式的参数<component>__<parameter>以便可以更新嵌套对象的每个组件。- 参数:
- **paramsdict
估计参数。
- 返回:
- self估计器实例
估计实例。
- set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') Binarizer[源代码]#
请求元数据传递给
transform法请注意，此方法仅适用于以下情况
enable_metadata_routing=True（见sklearn.set_config).请参阅 User Guide 关于路由机制如何工作。The options for each parameter are:
True：元数据被请求并传递给transform如果提供的话。如果未提供元数据，则会忽略请求。False：未请求元数据，元估计器不会将其传递给transform.None：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。str：元数据应通过此给定别名而不是原始名称传递给元估计器。
默认 (
sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。Added in version 1.3.
备注
只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在
Pipeline.否则就没有效果了。- 参数:
- copy字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged
元数据路由
copy参数transform.
- 返回:
- self对象
更新的对象。