MaxAbsScaler#

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

按其最大绝对值缩放每个特征。

此估计器单独缩放和平移每个特征，使得训练集中每个特征的最大绝对值都为1.0。它不会平移/居中数据，因此不会破坏任何稀疏性。

此缩放器也可以应用于稀疏的CSR或CSC矩阵。

MaxAbsScaler 不会减少异常值的影响；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中新增。

参数:
copy布尔值, 默认为 True

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

clipbool, default=False

设置为 True 以将保留数据的转换值剪辑到 [-1, 1]。由于此参数会剪辑值，inverse_transform 可能无法恢复原始数据。

注意

设置 clip=True 并不能防止特征漂移（训练数据和测试数据之间的分布偏移）。转换后的值被剪辑到 [-1, 1] 范围，这有助于避免对超出范围输入敏感的模型（例如线性模型）中出现意外行为。请谨慎使用，因为剪辑可能会扭曲测试数据的分布。

属性:
scale_ndarray of shape (n_features,)

每个特征的相对数据缩放值。

Added in version 0.17: scale_ attribute.

max_abs_ndarray of shape (n_features,)

每个特征的最大绝对值。

n_features_in_int

在 拟合 期间看到的特征数。

0.24 版本新增。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

n_samples_seen_int

估计器处理的样本数量。在新的 fit 调用时重置，但在 partial_fit 调用时增加。

另请参阅

maxabs_scale

不包含估算器 API 的等效函数。

注意事项

NaN 被视为缺失值：在拟合过程中忽略，在转换过程中保持。

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:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

用于计算沿特征轴进行后续缩放的每特征最小和最大值的数据。

yNone

忽略。

返回:
selfobject

拟合好的缩放器。

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

拟合数据，然后对其进行转换。

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:
Xshape 为 (n_samples, n_features) 的 array-like

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None

目标值（对于无监督转换，为 None）。

**fit_paramsdict

额外的拟合参数。仅当估计器在其 fit 方法中接受额外的参数时才传递。

返回:
X_newndarray array of shape (n_samples, n_features_new)

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_featuresarray-like of str or None, default=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 feature_names_in_ 未定义，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_outstr 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。

请查阅 用户指南，了解路由机制如何工作。

返回:
routingMetadataRequest

封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deepbool, default=True

如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:
paramsdict

参数名称映射到其值。

inverse_transform(X)[source]#

将数据缩放回原始表示。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

应转换回原始形式的数据。

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。

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

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

用于计算用于沿特征轴的后续缩放的均值和标准差的数据。

yNone

忽略。

返回:
selfobject

拟合好的缩放器。

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

设置输出容器。

有关如何使用 API 的示例，请参阅引入 set_output API。

参数:
transform{“default”, “pandas”, “polars”}, default=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: 转换配置保持不变

1.4 版本新增: 添加了 "polars" 选项。

返回:
selfestimator instance

估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（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:
selfestimator instance

估计器实例。

transform(X)[source]#

缩放数据。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

应缩放的数据。

返回:
X_tr{ndarray, sparse matrix} of shape (n_samples, n_features)

转换后的数组。