sklearn.preprocessing

用于缩放、中心化、归一化、二值化等方法。

用户指南。 有关更多详细信息，请参阅 预处理数据 部分。

Binarizer	根据阈值将数据二值化（将特征值设置为 0 或 1）。
FunctionTransformer	从任意可调用对象构造转换器。
KBinsDiscretizer	将连续数据分成区间。
KernelCenterer	中心化任意核矩阵 \(K\)。
LabelBinarizer	以一对多方式将标签二值化。
LabelEncoder	使用 0 到 n_classes-1 之间的值编码目标标签。
MaxAbsScaler	按其最大绝对值缩放每个特征。
MinMaxScaler	通过将每个特征缩放到给定范围来转换特征。
MultiLabelBinarizer	在可迭代对象和多标签格式之间转换。
Normalizer	将样本单独归一化为单位范数。
OneHotEncoder	将分类特征编码为 one-hot 数字数组。
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	按特征应用幂转换以使数据更像高斯分布。
QuantileTransformer	使用分位数信息转换特征。
RobustScaler	使用对异常值鲁棒的统计量缩放特征。
SplineTransformer	为特征生成单变量 B-样条基。
StandardScaler	通过移除均值并缩放为单位方差来标准化特征。
TargetEncoder	用于回归和分类目标的 Target Encoder。
add_dummy_feature	使用额外的虚拟特征扩充数据集。
binarize	数组类或 scipy.sparse 矩阵的布尔阈值处理。
label_binarize	以一对多方式将标签二值化。
maxabs_scale	将每个特征缩放到 [-1, 1] 范围而不破坏稀疏性。
minmax_scale	通过将每个特征缩放到给定范围来转换特征。
normalize	将输入向量单独归一化为单位范数（向量长度）。
power_transform	参数化、单调转换以使数据更像高斯分布。
quantile_transform	使用分位数信息转换特征。
robust_scale	沿任何轴标准化数据集。
scale	沿任何轴标准化数据集。