sklearn.preprocessing包提供了几个常用的实用程序函数和变换器类，用于将原始特征向量更改为更适合下游估计器的表示。
转化器(Transformer)用于对数据的处理，例如标准化、降维以及特征选择等，提供的函数大致是：
- fit(x,y):该方法接受输入和标签，计算出数据变换的方式。
- transform(x):根据已经计算出的变换方式，返回对输入数据x变换后的结果（不改变x）
- fit_transform(x,y) :该方法在计算出数据变换方式之后对输入x就地转换。
在转化器中，fit_transform()函数等价于先执行fit()函数，后执行transform()函数。
一，数据标准化
数据标准化是指对数据经过处理后，使每个特征中的数值的均值变为0，标准差变为1。有如下的数据，使用preprocessing包对数据进行标准化处理：
from sklearn import preprocessing import numpy as np X_train = np.array([[ 1., -1., 2.], [ 2., 0., 0.], [ 0., 1., -1.]])
1，标准正态分布对
scale()是标准化的快捷方式：
X_scaled = preprocessing.scale(X_train)
fit-transform组合：
scaler = preprocessing.StandardScaler().fit(X_train)
scaler.transform(X_train)
2，把数据缩放到范围
把数据缩放到给定的范围内，通常在0和1之间，或者使用每个特征的最大绝对值按比例缩放到单位大小。
MinMaxScaler(feature_range=(0, 1), copy=True)
MaxAbsScaler(copy=True)
把数据按照最大值和最小值缩放到0和1之间，缩放的公式如下，其中max和min是缩放区间的最大值和最小值：
X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min
使用MinMaxScaler()函数进行缩放：
scaler = preprocessing.MinMaxScaler()
X_scaled=scaler.fit_transform(X_train)
二，数据归一化
通过对原始数据进行线性变换把数据映射到[0,1]或[-1,1]之间，常用的变换函数为：
sklearn提供函数normalize或者fit-transform组合来实现数据的归一化。参数norm是用于标准化每个非0数据的范式，可用的值是 l1和l2 范式。
from sklearn import preprocessing X = [[ 1., -1., 2.], [ 2., 0., 0.], [ 0., 1., -1.]] X_normalized = preprocessing.normalize(X, norm='l2') normalizer = preprocessing.Normalizer().fit(X) # fit does nothing normalizer.transform(X) #out array([[ 0.40..., -0.40..., 0.81...], [ 1. ..., 0. ..., 0. ...], [ 0. ..., 0.70..., -0.70...]])
三，对分类数据进行编码
把分类数据(标称数据)转换为数值编码，以整数的方式表示。
1，顺序编码
顺序编码把每一个categorical 特征变换成有序的整数数字特征 (0 到 n_categories - 1)，然而，这种整数表示不能直接用于所有scikit-learn估计器，
enc = preprocessing.OrdinalEncoder() X = [['male', 'from US', 'uses Safari'], ['female', 'from Europe', 'uses Firefox']] enc.fit(X) enc.transform([['female', 'from US', 'uses Safari']])
这样的整数特征表示并不能在scikit-learn的估计器中直接使用，因为这样的连续输入，估计器会认为类别之间是有序的，但实际却是无序的。
因为估计器期望连续输入，并且把类别解释为有序的，但是，集合通常是无序的，无法实现顺序。
2，OneHot编码
另外一种将标称型特征转换为能够被scikit-learn中模型使用的编码是one-of-K， 又称为 独热码或 dummy encoding。 这种编码类型已经在类OneHotEncoder中实现。该类把每一个具有n_categories个可能取值的categorical特征变换为长度为n_categories的二进制特征向量，里面只有一个地方是1，其余位置都是0。
enc = preprocessing.OneHotEncoder() X = [['male', 'from US', 'uses Safari'], ['female', 'from Europe', 'uses Firefox']] enc.fit(X) enc.transform([['female', 'from US', 'uses Safari']])
三，离散化
离散化 (Discretization) 也叫 分箱(binning)，用于把连续特征划分为离散特征值。
sklearn.preprocessing.KBinsDiscretizer(n_bins=5, encode=’onehot’, strategy=’quantile’)
参数注释：
n_bins：分箱的数量，默认值是5，也可以是列表，指定各个特征的分箱数量，例如，[feature1_bins,feature2_bins,...]
encode：编码方式，{‘onehot’, ‘onehot-dense’, ‘ordinal’}, (default=’onehot’)
- onehot：以onehot方式编码，返回稀疏矩阵
- onehot-dense：以onehot方式编码，返回密集矩阵
- ordinal：以ordinal方式编码，返回分箱的序号
strategy：定义分箱宽度的策略，{‘uniform’, ‘quantile’, ‘kmeans’}, (default=’quantile’)
- uniform：每个分箱等宽
- quantile：每个分箱中拥有相同数量的数据点
- kmeans：每个箱中的值具有与1D k均值簇最近的中心
举个例子：
from sklearn import preprocessing X = np.array([[ -3., 5., 15 ], [ 0., 6., 14 ], [ 6., 3., 11 ]]) est = preprocessing.KBinsDiscretizer(n_bins=[3, 2, 2], encode='ordinal').fit(X) est.transform(X) #out array([[ 0., 1., 1.], [ 1., 1., 1.], [ 2., 0., 0.]])
参考文档：