Ho un frame di dati in Panda in cui ogni colonna ha un intervallo di valori diverso. Per esempio:

df:

A     B   C
1000  10  0.5
765   5   0.35
800   7   0.09

Hai idea di come posso normalizzare le colonne di questo frame di dati in cui ciascun valore è compreso tra 0 e 1?

L'output desiderato è:

A     B    C
1     1    1
0.765 0.5  0.7
0.8   0.7  0.18(which is 0.09/0.5)

È possibile utilizzare il pacchetto sklearn e le utilità di preelaborazione associate per normalizzare i dati.

import pandas as pd
from sklearn import preprocessing

x = df.values #returns a numpy array
min_max_scaler = preprocessing.MinMaxScaler()
x_scaled = min_max_scaler.fit_transform(x)
df = pd.DataFrame(x_scaled)

Per ulteriori informazioni, consultare la documentazione di scikit-learn sui dati di preelaborazione: ridimensionare le funzionalità in un intervallo.

un modo semplice usando Panda : (qui voglio usare la normalizzazione media)

normalized_df=(df-df.mean())/df.std()

per utilizzare la normalizzazione min-max:

normalized_df=(df-df.min())/(df.max()-df.min())

Modifica: per rispondere ad alcune preoccupazioni, è necessario dire che Pandas applica automaticamente la funzione colomn nel codice sopra.

Sulla base di questo post: /stats/70801/how-to-normalize-data-to-0-1-range

Puoi fare quanto segue:

def normalize(df):
    result = df.copy()
    for feature_name in df.columns:
        max_value = df[feature_name].max()
        min_value = df[feature_name].min()
        result[feature_name] = (df[feature_name] - min_value) / (max_value - min_value)
    return result

Non devi preoccuparti se i tuoi valori sono negativi o positivi. E i valori dovrebbero essere ben distribuiti tra 0 e 1.

Il tuo problema è in realtà una semplice trasformazione che agisce sulle colonne:

def f(s):
    return s/s.max()

frame.apply(f, axis=0)

O ancora più conciso:

   frame.apply(lambda x: x/x.max(), axis=0)

Se ti piace usare il pacchetto sklearn, puoi mantenere i nomi delle colonne e degli indici usando i panda in questo locmodo:

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler() 
scaled_values = scaler.fit_transform(df) 
df.loc[:,:] = scaled_values

Semplice è bello:

df["A"] = df["A"] / df["A"].max()
df["B"] = df["B"] / df["B"].max()
df["C"] = df["C"] / df["C"].max()

È possibile creare un elenco di colonne che si desidera normalizzare

column_names_to_normalize = ['A', 'E', 'G', 'sadasdsd', 'lol']
x = df[column_names_to_normalize].values
x_scaled = min_max_scaler.fit_transform(x)
df_temp = pd.DataFrame(x_scaled, columns=column_names_to_normalize, index = df.index)
df[column_names_to_normalize] = df_temp

Il tuo Dataframe Pandas ora è normalizzato solo nelle colonne che desideri

Tuttavia , se vuoi il contrario , seleziona un elenco di colonne che NON vuoi normalizzare, puoi semplicemente creare un elenco di tutte le colonne e rimuovere quelle non desiderate

column_names_to_not_normalize = ['B', 'J', 'K']
column_names_to_normalize = [x for x in list(df) if x not in column_names_to_not_normalize ]

Penso che un modo migliore per farlo in Panda sia giusto

df = df/df.max().astype(np.float64)

Modifica Se nella cornice dei dati sono presenti numeri negativi, è necessario utilizzare invece

df = df/df.loc[df.abs().idxmax()].astype(np.float64)

La soluzione data da Sandman e Praveen è molto buona. L'unico problema è che se si hanno variabili categoriche in altre colonne del frame di dati, questo metodo richiederà alcune modifiche.

La mia soluzione a questo tipo di problema è la seguente:

 from sklearn import preprocesing
 x = pd.concat([df.Numerical1, df.Numerical2,df.Numerical3])
 min_max_scaler = preprocessing.MinMaxScaler()
 x_scaled = min_max_scaler.fit_transform(x)
 x_new = pd.DataFrame(x_scaled)
 df = pd.concat([df.Categoricals,x_new])

Esempio di diverse standardizzazioni in Python.

Per riferimento guarda questo articolo di Wikipedia: https://en.wikipedia.org/wiki/Unbiased_estimation_of_standard_deviation

Dati di esempio

import pandas as pd
df = pd.DataFrame({
               'A':[1,2,3],
               'B':[100,300,500],
               'C':list('abc')
             })
print(df)
   A    B  C
0  1  100  a
1  2  300  b
2  3  500  c

Normalizzazione usando i panda (fornisce stime imparziali)

Quando si normalizza semplicemente sottraggiamo la media e dividiamo per deviazione standard.

df.iloc[:,0:-1] = df.iloc[:,0:-1].apply(lambda x: (x-x.mean())/ x.std(), axis=0)
print(df)
     A    B  C
0 -1.0 -1.0  a
1  0.0  0.0  b
2  1.0  1.0  c

Normalizzazione usando sklearn (Fornisce stime distorte, diverse dai panda)

Se fai la stessa cosa con sklearnte otterrai un DIVERSO output!

import pandas as pd

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()


df = pd.DataFrame({
               'A':[1,2,3],
               'B':[100,300,500],
               'C':list('abc')
             })
df.iloc[:,0:-1] = scaler.fit_transform(df.iloc[:,0:-1].to_numpy())
print(df)
          A         B  C
0 -1.224745 -1.224745  a
1  0.000000  0.000000  b
2  1.224745  1.224745  c

Le stime distorte di sklearn rendono l'apprendimento automatico meno potente?

NO.

La documentazione ufficiale di sklearn.preprocessing.scale afferma che l'utilizzo dello stimatore distorto è SENZA ALCUNA influenza sulle prestazioni degli algoritmi di apprendimento automatico e possiamo tranquillamente utilizzarli.

From official documentation:
We use a biased estimator for the standard deviation,
equivalent to numpy.std(x, ddof=0). 
Note that the choice of ddof is unlikely to affect model performance.

Che dire di MinMax Scaling?

Non esiste alcun calcolo della deviazione standard nel ridimensionamento MinMax. Quindi il risultato è lo stesso in entrambi i panda e scikit-learn.

import pandas as pd
df = pd.DataFrame({
               'A':[1,2,3],
               'B':[100,300,500],
             })
(df - df.min()) / (df.max() - df.min())
     A    B
0  0.0  0.0
1  0.5  0.5
2  1.0  1.0


# Using sklearn
from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler() 
arr_scaled = scaler.fit_transform(df) 

print(arr_scaled)
[[0.  0. ]
 [0.5 0.5]
 [1.  1. ]]

df_scaled = pd.DataFrame(arr_scaled, columns=df.columns,index=df.index)
print(df_scaled)
     A    B
0  0.0  0.0
1  0.5  0.5
2  1.0  1.0

Potresti voler normalizzare alcune colonne e altre invariate come alcune delle attività di regressione quali etichette di dati o colonne categoriali sono invariate Quindi ti suggerisco questo modo pitonico (È una combinazione di risposte @shg e @Cina):

features_to_normalize = ['A', 'B', 'C']
# could be ['A','B'] 

df[features_to_normalize] = df[features_to_normalize].apply(lambda x:(x-x.min()) / (x.max()-x.min()))

È solo matematica semplice. La risposta dovrebbe essere semplice come di seguito.

normed_df = (df - df.min()) / (df.max() - df.min())

def normalize(x):
    try:
        x = x/np.linalg.norm(x,ord=1)
        return x
    except :
        raise
data = pd.DataFrame.apply(data,normalize)

Dal documento di Panda, la struttura DataFrame può applicare un'operazione (funzione) a se stesso.

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

Applica la funzione lungo l'asse di input di DataFrame. Gli oggetti passati alle funzioni sono oggetti della serie con indice dell'indice del DataFrame (asse = 0) o delle colonne (asse = 1). Il tipo restituito dipende dal fatto che gli aggregati di funzioni passati o dall'argomento di riduzione se DataFrame è vuoto.

È possibile applicare una funzione personalizzata per utilizzare DataFrame.

La seguente funzione calcola il punteggio Z:

def standardization(dataset):
  """ Standardization of numeric fields, where all values will have mean of zero 
  and standard deviation of one. (z-score)

  Args:
    dataset: A `Pandas.Dataframe` 
  """
  dtypes = list(zip(dataset.dtypes.index, map(str, dataset.dtypes)))
  # Normalize numeric columns.
  for column, dtype in dtypes:
      if dtype == 'float32':
          dataset[column] -= dataset[column].mean()
          dataset[column] /= dataset[column].std()
  return dataset

Ecco come lo fai in base alla colonna usando la comprensione dell'elenco:

[df[col].update((df[col] - df[col].min()) / (df[col].max() - df[col].min())) for col in df.columns]

Puoi semplicemente usare la funzione pandas.DataFrame.transform 1 in questo modo:

df.transform(lambda x: x/x.max())

df_normalized = df / df.max(axis=0)

Puoi farlo in una riga

DF_test = DF_test.sub(DF_test.mean(axis=0), axis=1)/DF_test.mean(axis=0)

prende la media per ciascuna colonna e la sottrae (media) da ogni riga (la media di una colonna particolare sottrae solo dalla sua riga) e si divide solo per la media. Infine, ciò che otteniamo è l'insieme di dati normalizzato.

Panda esegue normalmente la normalizzazione delle colonne. Prova il codice qui sotto.

X= pd.read_csv('.\\data.csv')
X = (X-X.min())/(X.max()-X.min())

I valori di uscita saranno compresi tra 0 e 1.