MaxAbsScaler#

class sklearn.preprocessing.MaxAbsScaler(*, copy=True)[source]#

按每个特征的最大绝对值进行缩放。

该估计器会单独缩放和转换每个特征，使得训练集中每个特征的最大绝对值为 1.0。它不会平移/居中数据，因此不会破坏任何稀疏性。

此缩放器也可应用于稀疏的 CSR 或 CSC 矩阵。

MaxAbsScaler 不会减小异常值的影响；它只是线性地将它们缩小。有关可视化示例，请参阅将 MaxAbsScaler 与其他缩放器进行比较。

版本 0.17 新增。

参数：
copy布尔值, 默认值=True

设置为 False 可执行就地缩放并避免复制（如果输入已是 numpy 数组）。

属性：
scale_形状为 (n_features,) 的 ndarray

数据的每个特征的相对缩放值。

版本 0.17 新增: scale_ 属性。

max_abs_形状为 (n_features,) 的 ndarray

每个特征的最大绝对值。

n_features_in_int

fit 期间看到的特征数量。

版本 0.24 新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

fit 期间看到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

版本 1.0 新增。

n_samples_seen_int

估计器处理的样本数量。对 fit 的新调用将重置，但在 partial_fit 调用之间会递增。

另请参阅

maxabs_scale

不带估计器 API 的等效函数。

注意

NaN 被视为缺失值：在 fit 中忽略，在 transform 中保留。

示例

>>> from sklearn.preprocessing import MaxAbsScaler
>>> X = [[ 1., -1.,  2.],
...      [ 2.,  0.,  0.],
...      [ 0.,  1., -1.]]
>>> transformer = MaxAbsScaler().fit(X)
>>> transformer
MaxAbsScaler()
>>> transformer.transform(X)
array([[ 0.5, -1. ,  1. ],
       [ 1. ,  0. ,  0. ],
       [ 0. ,  1. , -0.5]])
fit(X, y=None)[source]#

计算用于后续缩放的最大绝对值。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

用于计算每个特征的最小值和最大值的数据，以用于沿特征轴的后续缩放。

yNone

忽略。

返回：
self对象

已拟合的缩放器。

fit_transform(X, y=None, **fit_params)[source]#

拟合数据，然后转换数据。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数：
X形状为 (n_samples, n_features) 的 array-like

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like, 默认值=None

目标值（无监督转换时为 None）。

**fit_paramsdict

附加拟合参数。

返回：
X_new形状为 (n_samples, n_features_new) 的 ndarray 数组

转换后的数组。

get_feature_names_out(input_features=None)[source]#

获取转换的输出特征名称。

参数：
input_features字符串的 array-like 或 None, 默认值=None

输入特征。

  • 如果 input_features 为 None，则使用 feature_names_in_ 作为输入特征名称。如果未定义 feature_names_in_，则生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。

  • 如果 input_features 是 array-like，则如果定义了 feature_names_in_，input_features 必须与 feature_names_in_ 匹配。

返回：
feature_names_out字符串对象的 ndarray

与输入特征相同。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回：
routingMetadataRequest

一个封装路由信息的 MetadataRequest 对象。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deep布尔值, 默认值=True

如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回：
paramsdict

参数名称映射到其值。

inverse_transform(X)[source]#

将数据反向缩放回原始表示。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

应反向转换的数据。

返回：
X_original形状为 (n_samples, n_features) 的 {ndarray, sparse matrix}

转换后的数组。

partial_fit(X, y=None)[source]#

在线计算 X 的最大绝对值以供后续缩放。

所有 X 都作为一个批次处理。这适用于由于 n_samples 数量非常大或 X 从连续流中读取导致 fit 不可行的情况。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

用于计算均值和标准差的数据，以用于沿特征轴的后续缩放。

yNone

忽略。

返回：
self对象

已拟合的缩放器。

set_output(*, transform=None)[source]#

设置输出容器。

有关如何使用 API 的示例，请参阅Introducing the set_output API。

参数：
transform{“default”, “pandas”, “polars”}, 默认值=None

配置 transform 和 fit_transform 的输出。

  • "default": 转换器的默认输出格式

  • "pandas": DataFrame 输出

  • "polars": Polars 输出

  • None: 转换配置不变

版本 1.4 新增: 增加了 "polars" 选项。

返回：
self估计器实例

估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数：
**paramsdict

估计器参数。

返回：
self估计器实例

估计器实例。

transform(X)[source]#

缩放数据。

参数：
X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

应缩放的数据。

返回：
X_tr形状为 (n_samples, n_features) 的 {ndarray, sparse matrix}

转换后的数组。