ray.data.预处理器.MinMaxScaler#

class ray.data.preprocessors.MinMaxScaler(columns: List[str])[源代码]#

基类：Preprocessor

按其范围缩放每一列。

一般公式由以下给出

\[x' = \frac{x - \min(x)}{\max{x} - \min{x}}\]

其中 \(x\) 是列，\(x'\) 是变换后的列。如果 :math:`max{x} - min{x} = 0`（即，该列是常数值），则变换后的列将被填充为零。

转换后的值总是在范围 \([0, 1]\) 内。

小技巧

这可以作为 StandardScaler 的替代方案。

示例

>>> import pandas as pd
>>> import ray
>>> from ray.data.preprocessors import MinMaxScaler
>>>
>>> df = pd.DataFrame({"X1": [-2, 0, 2], "X2": [-3, -3, 3], "X3": [1, 1, 1]})   # noqa: E501
>>> ds = ray.data.from_pandas(df)  
>>> ds.to_pandas()  
   X1  X2  X3
0  -2  -3   1
1   0  -3   1
2   2   3   1

列是分别缩放的。

>>> preprocessor = MinMaxScaler(columns=["X1", "X2"])
>>> preprocessor.fit_transform(ds).to_pandas()  
    X1   X2  X3
0  0.0  0.0   1
1  0.5  0.0   1
2  1.0  1.0   1

常量值列会被填充为零。

>>> preprocessor = MinMaxScaler(columns=["X3"])
>>> preprocessor.fit_transform(ds).to_pandas()  
   X1  X2   X3
0  -2  -3  0.0
1   0  -3  0.0
2   2   3  0.0

参数:: columns – 要单独缩放的列。

PublicAPI (alpha): 此API处于alpha阶段，可能在稳定之前发生变化。

方法

`deserialize`	加载通过 `self.serialize()` 序列化的原始预处理器。
`fit`	将此预处理器适配到数据集。
`fit_transform`	将此预处理器适配到数据集，然后转换数据集。
`preferred_batch_format`	上游生产者批量格式提示，尝试生成最佳区块格式。
`serialize`	将此预处理器序列化为字符串返回。
`transform`	转换给定的数据集。
`transform_batch`	转换单个批次的数据。