sklearn.preprocessing

用于缩放、居中、标准化、二值化等的函数。

用户指南。更多详情请参见数据预处理部分。

二值化器	根据阈值对数据进行二值化（将特征值设置为0或1）。
函数变换器	根据任意可调用函数构建变换器。
K箱离散化器	将连续数据划分为区间。
核中心化器	对任意核矩阵\(K\)进行中心化。
标签二值化器	以一对多方式对标签进行二值化。
标签编码器	将目标标签编码为 0 到 n_classes-1 之间的数值。
最大绝对值缩放器	按每个特征的最大绝对值缩放每个特征。
最小最大缩放器	通过将每个特征缩放至给定范围来转换特征。
多标签二值化器	在可迭代的可迭代对象和多标签格式之间进行转换。
归一化器	将样本分别规范化到单位范数。
独热编码器	将分类特征编码为独热数值数组。
序数编码器	将分类特征编码为整数数组。
多项式特征	生成多项式和交互特征。
幂变换器	对特征应用幂变换，使其更接近高斯分布。
分位数变换器	使用分位数信息转换特征。
稳健缩放器	使用对异常值稳健的统计数据来缩放特征。
样条变换器	为特征生成单变量 B 样条基。
标准化器	通过移除均值并缩放至单位方差来标准化特征。
目标编码器	用于回归和分类目标的 Target Encoder。
添加虚拟特征	使用附加的虚拟特征增强数据集。
二值化	对类数组或 scipy.sparse 矩阵进行布尔阈值化。
标签二值化	以一对多方式对标签进行二值化。
最大绝对值缩放	将每个特征缩放至 [-1, 1] 范围，同时不破坏稀疏性。
最小最大缩放	通过将每个特征缩放至给定范围来转换特征。
归一化	将输入向量分别缩放至单位范数（向量长度）。
幂变换	参数化、单调变换，使数据更接近高斯分布。
分位数变换	使用分位数信息转换特征。
稳健缩放	沿任何轴标准化数据集。
缩放	沿任何轴标准化数据集。