sklearn.preprocessing

方法用于缩放、中心化、归一化、二值化等操作。

User guide. See the 数据预处理 section for further details.

Binarizer	二值化数据（根据阈值将特征值设置为0或1）。
FunctionTransformer	构建一个来自任意可调用对象的转换器。
KBinsDiscretizer	将连续数据分箱到区间中。
KernelCenterer	中心化任意核矩阵 \(K\) 。
LabelBinarizer	将标签二值化以进行一对多的分类。
LabelEncoder	编码目标标签，使其值在0到n_classes-1之间。
MaxAbsScaler	缩放每个特征以其最大绝对值。
MinMaxScaler	转换特征通过将每个特征缩放到给定范围。
MultiLabelBinarizer	转换可迭代对象和多标签格式之间的转换。
Normalizer	标准化样本为单位范数。
OneHotEncoder	将分类特征编码为独热数值数组。
OrdinalEncoder	将分类特征编码为整数数组。
PolynomialFeatures	生成多项式和交互特征。
PowerTransformer	应用幂变换特征以使数据更接近高斯分布。
QuantileTransformer	使用分位数信息转换特征。
RobustScaler	使用对异常值具有鲁棒性的统计数据来缩放特征。
SplineTransformer	生成单变量B样条基函数。
StandardScaler	标准化特征通过去除均值并缩放到单位方差。
TargetEncoder	目标编码器用于回归和分类目标。
add_dummy_feature	增强数据集以添加额外的虚拟特征。
binarize	布尔阈值处理数组类或scipy.sparse矩阵。
label_binarize	二值化标签以一对多的方式进行。
maxabs_scale	将每个特征缩放到 [-1, 1] 范围而不破坏稀疏性。
minmax_scale	转换特征通过将每个特征缩放到给定范围。
normalize	缩放输入向量以单位范数（向量长度）。
power_transform	参数化、单调变换使数据更符合高斯分布。
quantile_transform	使用分位数信息转换特征。
robust_scale	标准化一个数据集沿着任何轴。
scale	标准化一个数据集沿着任意轴。