Normalization 컬럼 여러개 변환 방법¶

import pandas as pd

사용 데이터 https://github.com/donarts/sourcecode/blob/main/datascience/datasets/Iris.csv

df = pd.read_csv("Iris.csv")
df.head(2)

	SepalLengthCm	SepalWidthCm	PetalLengthCm	PetalWidthCm	Species
0	5.1	3.5	1.4	0.2	Iris-setosa
1	4.9	3.0	1.4	0.2	Iris-setosa

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler().fit(X=df[["SepalWidthCm"]])
df["SepalWidthCm"]=scaler.transform(df[["SepalWidthCm"]])
df.head(2)

	SepalLengthCm	SepalWidthCm	PetalLengthCm	PetalWidthCm	Species
0	5.1	0.625000	1.4	0.2	Iris-setosa
1	4.9	0.416667	1.4	0.2	Iris-setosa

2 개 이상을 변환 하고자 할때 어떻게 할까?¶

입력시 list 형태로 입력 하면 되나, 출력이 문제, 출력 type을 한번 보도록 합니다.

df = pd.read_csv("Iris.csv")
df.head(2)
scaler = MinMaxScaler().fit(X=df[["SepalWidthCm","PetalLengthCm"]])
trans = scaler.transform(df[["SepalWidthCm","PetalLengthCm"]])
trans

array([[0.625     , 0.06779661],
       [0.41666667, 0.06779661],
       [0.5       , 0.05084746],
       [0.45833333, 0.08474576],
       [0.66666667, 0.06779661],
       [0.79166667, 0.11864407],
       [0.58333333, 0.06779661],
       [0.58333333, 0.08474576],
       [0.375     , 0.06779661],
       [0.45833333, 0.08474576],
       [0.70833333, 0.08474576],
       [0.58333333, 0.10169492],
       [0.41666667, 0.06779661],
       [0.41666667, 0.01694915],
       [0.83333333, 0.03389831],
       [1.        , 0.08474576],
       [0.79166667, 0.05084746],
       [0.625     , 0.06779661],
       [0.75      , 0.11864407],
       [0.75      , 0.08474576],
       [0.58333333, 0.11864407],
       [0.70833333, 0.08474576],
       [0.66666667, 0.        ],
       [0.54166667, 0.11864407],
       [0.58333333, 0.15254237],
       [0.41666667, 0.10169492],
       [0.58333333, 0.10169492],
       [0.625     , 0.08474576],
       [0.58333333, 0.06779661],
       [0.5       , 0.10169492],
       [0.45833333, 0.10169492],
       [0.58333333, 0.08474576],
       [0.875     , 0.08474576],
       [0.91666667, 0.06779661],
       [0.45833333, 0.08474576],
       [0.5       , 0.03389831],
       [0.625     , 0.05084746],
       [0.45833333, 0.08474576],
       [0.41666667, 0.05084746],
       [0.58333333, 0.08474576],
       [0.625     , 0.05084746],
       [0.125     , 0.05084746],
       [0.5       , 0.05084746],
       [0.625     , 0.10169492],
       [0.75      , 0.15254237],
       [0.41666667, 0.06779661],
       [0.75      , 0.10169492],
       [0.5       , 0.06779661],
       [0.70833333, 0.08474576],
       [0.54166667, 0.06779661],
       [0.5       , 0.62711864],
       [0.5       , 0.59322034],
       [0.45833333, 0.66101695],
       [0.125     , 0.50847458],
       [0.33333333, 0.61016949],
       [0.33333333, 0.59322034],
       [0.54166667, 0.62711864],
       [0.16666667, 0.38983051],
       [0.375     , 0.61016949],
       [0.29166667, 0.49152542],
       [0.        , 0.42372881],
       [0.41666667, 0.54237288],
       [0.08333333, 0.50847458],
       [0.375     , 0.62711864],
       [0.375     , 0.44067797],
       [0.45833333, 0.57627119],
       [0.41666667, 0.59322034],
       [0.29166667, 0.52542373],
       [0.08333333, 0.59322034],
       [0.20833333, 0.49152542],
       [0.5       , 0.6440678 ],
       [0.33333333, 0.50847458],
       [0.20833333, 0.66101695],
       [0.33333333, 0.62711864],
       [0.375     , 0.55932203],
       [0.41666667, 0.57627119],
       [0.33333333, 0.6440678 ],
       [0.41666667, 0.6779661 ],
       [0.375     , 0.59322034],
       [0.25      , 0.42372881],
       [0.16666667, 0.47457627],
       [0.16666667, 0.45762712],
       [0.29166667, 0.49152542],
       [0.29166667, 0.69491525],
       [0.41666667, 0.59322034],
       [0.58333333, 0.59322034],
       [0.45833333, 0.62711864],
       [0.125     , 0.57627119],
       [0.41666667, 0.52542373],
       [0.20833333, 0.50847458],
       [0.25      , 0.57627119],
       [0.41666667, 0.61016949],
       [0.25      , 0.50847458],
       [0.125     , 0.38983051],
       [0.29166667, 0.54237288],
       [0.41666667, 0.54237288],
       [0.375     , 0.54237288],
       [0.375     , 0.55932203],
       [0.20833333, 0.33898305],
       [0.33333333, 0.52542373],
       [0.54166667, 0.84745763],
       [0.29166667, 0.69491525],
       [0.41666667, 0.83050847],
       [0.375     , 0.77966102],
       [0.41666667, 0.81355932],
       [0.41666667, 0.94915254],
       [0.20833333, 0.59322034],
       [0.375     , 0.89830508],
       [0.20833333, 0.81355932],
       [0.66666667, 0.86440678],
       [0.5       , 0.69491525],
       [0.29166667, 0.72881356],
       [0.41666667, 0.76271186],
       [0.20833333, 0.6779661 ],
       [0.33333333, 0.69491525],
       [0.5       , 0.72881356],
       [0.41666667, 0.76271186],
       [0.75      , 0.96610169],
       [0.25      , 1.        ],
       [0.08333333, 0.6779661 ],
       [0.5       , 0.79661017],
       [0.33333333, 0.66101695],
       [0.33333333, 0.96610169],
       [0.29166667, 0.66101695],
       [0.54166667, 0.79661017],
       [0.5       , 0.84745763],
       [0.33333333, 0.6440678 ],
       [0.41666667, 0.66101695],
       [0.33333333, 0.77966102],
       [0.41666667, 0.81355932],
       [0.33333333, 0.86440678],
       [0.75      , 0.91525424],
       [0.33333333, 0.77966102],
       [0.33333333, 0.69491525],
       [0.25      , 0.77966102],
       [0.41666667, 0.86440678],
       [0.58333333, 0.77966102],
       [0.45833333, 0.76271186],
       [0.41666667, 0.6440678 ],
       [0.45833333, 0.74576271],
       [0.45833333, 0.77966102],
       [0.45833333, 0.69491525],
       [0.29166667, 0.69491525],
       [0.5       , 0.83050847],
       [0.54166667, 0.79661017],
       [0.41666667, 0.71186441],
       [0.20833333, 0.6779661 ],
       [0.41666667, 0.71186441],
       [0.58333333, 0.74576271],
       [0.41666667, 0.69491525]])

numpy array 형태

df[["SepalWidthCm","PetalLengthCm"]]=trans

df.head(2)

	SepalLengthCm	SepalWidthCm	PetalLengthCm	PetalWidthCm	Species
0	5.1	0.625000	0.067797	0.2	Iris-setosa
1	4.9	0.416667	0.067797	0.2	Iris-setosa

한개할때와 2개 할때의 차이는 변환 값을 넣는 방법에 차이

다시 1개일때를 다시해보면

df = pd.read_csv("Iris.csv")
df.head(2)
scaler = MinMaxScaler().fit(X=df[["SepalWidthCm"]])
df[["SepalWidthCm"]]=scaler.transform(df[["SepalWidthCm"]])
df.head(2)

	SepalLengthCm	SepalWidthCm	PetalLengthCm	PetalWidthCm	Species
0	5.1	0.625000	1.4	0.2	Iris-setosa
1	4.9	0.416667	1.4	0.2	Iris-setosa

위와 같이도 가능합니다. Series 형태로 처리하느냐 DataFrame 형태로 처리 할것인지 차이가 나게 되지만 결국에는 같습니다.

SW정리

2023년 1월 15일 일요일

Normalization Scaler를 이용해서, 컬럼 여러개 일때 변환 처리

Normalization 컬럼 여러개 변환 방법¶

2 개 이상을 변환 하고자 할때 어떻게 할까?¶

댓글 없음:

댓글 쓰기