sklearn.preprocessing

用于缩放、居中、归一化、二值化等的方法。

用户指南。 进一步细节请参阅 数据预处理 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一个转换器。
KBinsDiscretizer	将连续数据分箱到多个区间。
KernelCenterer	对任意核矩阵 \(K\) 进行中心化。
LabelBinarizer	以一对多的方式对标签进行二值化。
LabelEncoder	将目标标签编码为0到n_classes-1之间的值。
MaxAbsScaler	根据每个特征的最大绝对值进行缩放。
MinMaxScaler	通过将每个特征缩放到给定范围来转换特征。
MultiLabelBinarizer	在可迭代对象的可迭代对象和多标签格式之间进行转换。
Normalizer	将样本单独归一化到单位范数。
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	逐特征应用幂变换，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	通过移除均值和缩放到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	为数据集添加一个额外的虚拟特征。
binarize	对类数组或scipy.sparse矩阵进行布尔阈值化。
label_binarize	以一对多的方式对标签进行二值化。
maxabs_scale	将每个特征缩放到 [-1, 1] 范围，同时不破坏稀疏性。
minmax_scale	通过将每个特征缩放到给定范围来转换特征。
normalize	将输入向量单独缩放到单位范数（向量长度）。
power_transform	参数化、单调变换，使数据更接近高斯分布。
quantile_transform	使用分位数信息转换特征。
robust_scale	沿任意轴标准化数据集。
scale	沿任意轴标准化数据集。