各列の値の範囲が異なるパンダのデータフレームがあります。例えば：

df：

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

各データが0と1の間であるこのデータフレームの列をどのように正規化できるか考えていますか？

私の望ましい出力は：

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

パッケージsklearnとそれに関連する前処理ユーティリティを使用して、データを正規化できます。

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)

詳細については、データの前処理に関するscikit-learnのドキュメントを参照してください。

パンダを使用する簡単な方法：（ここでは平均正規化を使用したい）

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

min-max正規化を使用するには：

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

編集：いくつかの懸念に対処するには、Pandasが上記のコードでコロン単位の関数を自動的に適用することを言う必要があります。

この投稿に基づく：https : //stats.stackexchange.com/questions/70801/how-to-normalize-data-to-0-1-range

次のことができます。

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

値が負か正かを心配する必要はありません。そして、値は0と1の間でうまく分散する必要があります。

あなたの問題は実際には列に作用する単純な変換です：

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

frame.apply(f, axis=0)

またはさらに簡潔：

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

sklearnパッケージを使用する場合は、次のようにパンダを使用して、列とインデックスの名前を維持できますloc。

from sklearn.preprocessing import MinMaxScaler

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

シンプルは美しい：

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

正規化する列のリストを作成できます

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

Pandas Dataframeは、必要な列でのみ正規化されます

ただし、反対が必要な場合は、正規化しない列のリストを選択し、すべての列のリストを作成して、不要な列を削除することができます

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 ]

パンダでそれを行うより良い方法はちょうどだと思います

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

編集データフレームに負の数が存在する場合は、代わりに使用する必要があります

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

サンドマンとプラヴィーンによって与えられた解決策は非常にうまくいきます。データフレームの他の列にカテゴリ変数がある場合の唯一の問題は、このメソッドでいくつかの調整が必要になることです。

このタイプの問題に対する私の解決策は次のとおりです。

 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])

Pythonでのさまざまな標準化の例。

参考として、このウィキペディアの記事をご覧ください：https : //en.wikipedia.org/wiki/Unbiased_estimation_of_standard_deviation

データの例

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

パンダを使用した正規化（公平な推定値を提供）

正規化するときは、単純に平均を差し引き、標準偏差で割ります。

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

sklearnを使用した正規化（偏った推定値を与える、パンダとは異なる）

同じことをsklearnすると、異なる出力が得られます！

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

sklearnのバイアス推定は機械学習の能力を低下させますか？

番号。

sklearn.preprocessing.scaleの公式ドキュメントには、バイアス推定器を使用しても機械学習アルゴリズムのパフォーマンスに影響を与える可能性は低く、安全に使用できると記載されています。

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.

MinMaxスケーリングはどうですか？

MinMaxスケーリングには標準偏差の計算はありません。したがって、パンダとscikit-learnの両方で結果は同じです。

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

データラベルやカテゴリカラムが変更されない回帰タスクのように、一部の列は正規化され、他の列は変更されないようにする必要があるかもしれません。

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()))

単純な数学だけです。答えは以下のように単純でなければなりません。

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)

パンダのドキュメントから、DataFrame構造はそれ自体に操作（関数）を適用できます。

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

DataFrameの入力軸に沿って関数を適用します。関数に渡されるオブジェクトは、DataFrameのインデックス（axis = 0）または列（axis = 1）のいずれかのインデックスを持つSeriesオブジェクトです。戻り値の型は、渡された関数が集約するかどうか、またはDataFrameが空の場合はreduce引数によって異なります。

カスタム関数を適用してDataFrameを操作できます。

次の関数は、Zスコアを計算します。

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

これは、リスト内包表記を使用して列ごとに行う方法です。

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

次のように、pandas.DataFrame.transform 1関数を使用するだけです。

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

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

あなたはこれを一行で行うことができます

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

各列の平均をとり、それから各行からit（平均）を減算し（特定の列の平均はその行からのみ減算）、平均のみで除算します。最後に、得られるのは正規化されたデータセットです。

パンダはデフォルトで列ごとの正規化を行います。以下のコードを試してください。

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

出力値は0から1の範囲になります。