使用pandas怎么实现数据归一化

这篇文章将为大家详细讲解有关使用pandas怎么实现数据归一化，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

如下所示：

#coding:utf8 import pandas as pd import numpy as np from pandas import Series,DataFrame   # 如果有id列，则需先删除id列再进行对应操作，最后再补上 # 统计的时候不需要用到id列,删除的时候需要考虑 # delete row def row_del(df, num_percent, label_len = 0):	#print list(df.count(axis=1))	col_num = len(list(list(df.values)[1])) - label_len # -1为考虑带标签	if col_num<0:	print 'Error'	#print int(col_num*num_percent)	return df.dropna(axis=0, how='any', thresh=int(col_num*num_percent))   # 如果有字符串类型，则报错 # data normalization -1 to 1 # label_col: 不需考虑的类标，可以为字符串或字符串列表 # 数值类型统一到float64 def data_normalization(df, label_col = []):	lab_len = len(label_col)	print label_col	if lab_len>0:	df_temp = df.drop(label_col, axis = 1)	df_lab = df[label_col]	print df_lab	else:	df_temp = df	max_val = list(df_temp.max(axis=0))	min_val = list(df_temp.min(axis=0))	mean_val = list((df_temp.max(axis=0) + df_temp.min(axis=0)) / 2)	nan_values = df_temp.isnull().values	row_num = len(list(df_temp.values))	col_num = len(list(df_temp.values)[1])	for rn in range(row_num):	#data_values_r = list(data_values[rn])	nan_values_r = list(nan_values[rn])	for cn in range(col_num):	if nan_values_r[cn] == False:	df_temp.values[rn][cn] = 2 * (df_temp.values[rn][cn] - mean_val[cn])/(max_val[cn] - min_val[cn])	else:	print 'Wrong'	for index,lab in enumerate(label_col):	df_temp.insert(index, lab, df_lab[lab])	return df_temp     # 创建一个带有缺失值的数据框： df = pd.DataFrame(np.random.randn(5,3), index=list('abcde'), columns=['one','two','three']) df.ix[1,:-1]=np.nan df.ix[1:-1,2]=np.nan df.ix[0,0]=int(1) df.ix[2,2]='abc'   # 查看一下数据内容： print '\ndf1' print df   print row_del(df, 0.8)   print '-------------------------'   df = data_normalization(df, ['two', 'three']) print df   print df.dtypes   print (type(df.ix[2,2]))

关于使用pandas怎么实现数据归一化就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。