您好,读者! 在本文中,我们将看看3个简单的方法 在R编程中规范数据。
让我们开始吧!!!:)
什么是正常化?
** 功能扩展**是模型之前的一个重要步骤,同时解决数据科学中的预测问题。
标准化技术使我们能够减少变量的规模,从而以积极的方式影响数据的统计分布。
在接下来的部分中,我们将看看执行数据值的正常化的一些技术。
R - Log 转换中的数据正常化
在现实世界的场景中,在处理数据时,我们经常会遇到不均匀分布的数据集,也就是说,它们要么扭曲,要么不遵循值的正常化。
在这种情况下,将值放到适当的尺度的最简单方法是通过单个日志值来扩展它们。
在下面的示例中,我们使用 R 文档中使用的 log() 函数来规模化 data frame中的巨大的数据值。
** 例子:**
1rm(list = ls())
2
3data = c(1200,34567,3456,12,3456,0985,1211)
4summary(data)
5log_scale = log(as.data.frame(data))
出发点:**
1data
21 7.090077
32 10.450655
43 8.147867
54 2.484907
65 8.147867
76 6.892642
87 7.099202
正常化数据与 Min-Max 缩放在 R
正常化值的另一个有效方法是通过Min-Max Scaling方法。
借助 Min-Max Scaling,我们只在 0 到 1 的范围内扩展数据值,从而在一定程度上抑制了数据值的外界值的影响。
在下面的示例中,我们使用了**caret**库来预处理和扩展数据。preProcess()函数使我们能够将值扩展到0至1的范围,使用method = c('range')作为参数。
** 例子:**
1rm(list = ls())
2
3data = c(1200,34567,3456,12,3456,0985,1211)
4summary(data)
5library(caret)
6process <- preProcess(as.data.frame(data), method=c("range"))
7
8norm_scale <- predict(process, as.data.frame(data))
出发点:**
1data
21 0.03437997
32 1.00000000
43 0.09966720
54 0.00000000
65 0.09966720
76 0.02815801
87 0.03469831
3、用R标准扩展来规范数据
在标准扩展中,也称为值标准化,我们将数据值扩展到这样,以便每个变量的总体统计总结具有 平均值为零和 **单位差异值。
scale()函数使我们能够将标准化应用于数据值,因为它将数据的中心和规模化。
1rm(list = ls())
2
3data = c(1200,34567,3456,12,3456,0985,1211)
4summary(data)
5scale_data <- as.data.frame(scale(data))
出发点:**
如下所示,在扩展之前,数据框的平均值为6412。
1Min. 1st Qu. Median Mean 3rd Qu. Max.
2 12 1092 1211 6412 3456 34567
3
4 V1
51 -0.4175944
62 2.2556070
73 -0.2368546
84 -0.5127711
95 -0.2368546
106 -0.4348191
117 -0.4167131
12
13 V1
14 Min. :-0.5128
15 1st Qu.:-0.4262
16 Median :-0.4167
17 Mean : 0.0000
18 3rd Qu.:-0.2369
19 Max. : 2.2556
结论
通过此,我们已经到达了这个主题的尽头. 请自由评论下面,如果你遇到任何问题. 有关R编程的更多这样的帖子,与我们保持联系!
直到那时,快乐的学习!!! :)