robust_scale

sklearn.preprocessing.robust_scale(X, *, axis=0, with_centering=True, with_scaling=True, quantile_range=(25.0, 75.0), copy=True, unit_variance=False)

标准化沿着任何轴的数据集。

根据四分位数范围，居中至中位数和分量尺度。

阅读更多的 User Guide .

参数:

X形状（n_sample，n_features）的{类数组，稀疏矩阵}

数据集中并扩展。

axisint，默认=0

轴用于计算中位数和IQR。如果为0，则独立缩放每个特征，否则（如果为1）缩放每个样本。

with_centering布尔，默认=True

如果 True ，在扩展之前将数据集中在中心。

with_scaling布尔，默认=True

如果 True ，将数据缩放为单位方差（或等效地，单位标准差）。

quantile_rangetuple（q_min，q_max），0.0 < q_min < q_max < 100.0， 默认=（25.0，75.0）

用于计算的分位数范围 scale_ .默认情况下，这等于IQR，即， q_min 是第一个分位数， q_max 是第三分位数。

Added in version 0.18.

copy布尔，默认=True

如果为假，请尽量避免复制并就地缩放。并不能保证这始终有效;例如，如果数据是具有int dype的numpy数组，即使具有Copy=False，也会返回副本。

unit_variance布尔，默认=假

如果 True ，缩放数据，使正态分布的要素的方差为1。一般来说，如果x值之间的差 q_max 和 q_min 如果标准正态分布大于1，则数据集将按比例缩小。如果小于1，则将扩大数据集。

Added in version 0.24.

返回:

X_tr{ndarray，sparse matrix}的形状（n_samples，n_features）

转换后的数据。

参见

RobustScaler

使用Transformer API执行居中和缩放（例如，作为预处理的一部分 Pipeline ).

注意到

此实现将拒绝以scipy.sparse矩阵为中心，因为这会使它们成为非稀疏的，并且可能会导致程序崩溃，导致内存耗尽问题。

相反，调用方应该显式地设置 with_centering=False (in在这种情况下，仅对CSR矩阵的特征执行方差缩放）或调用 X.toarray() 如果他/她希望物化密集阵列适合内存。

为了避免内存复制，调用者应该传递CSR矩阵。

有关不同缩放器、转换器和规范器的比较，请参阅： 比较不同缩放器对数据的影响与离群值 .

警告

数据泄露风险

不要使用 robust_scale 除非你知道你在做什么。一个常见的错误是将其应用于整个数据 before 分为训练集和测试集。这将使模型评估产生偏差，因为信息会从测试集泄露到训练集。一般来说，我们建议使用 RobustScaler 内 Pipeline 为了防止大多数数据泄露风险： pipe = make_pipeline(RobustScaler(), LogisticRegression()) .

示例

>>> from sklearn.preprocessing import robust_scale
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> robust_scale(X, axis=0)  # scale each column independently
array([[-1.,  1.,  1.],
       [ 1., -1., -1.]])
>>> robust_scale(X, axis=1)  # scale each row independently
array([[-1.5,  0. ,  0.5],
       [-1. ,  0. ,  1. ]])