Python 3.x 保存StandardScaler（）模型以用于新数据集

如何在Sklearn中保存StandardScaler（）模型？我需要让一个模型运行起来，不想一次又一次地加载训练数据，让StandardScaler学习，然后应用到我想要预测的新数据上

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

#standardizing after splitting
X_train, X_test, y_train, y_test = train_test_split(data, target)
sc = StandardScaler()
X_train_std = sc.fit_transform(X_train)
X_test_std = sc.transform(X_test)

---

您可以使用joblibdump函数保存标准定标器模型。这里有一个完整的例子供参考

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris

data, target = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(data, target)

sc = StandardScaler()
X_train_std = sc.fit_transform(X_train)

如果要保存scstandardscaller，请使用以下命令

from sklearn.externals.joblib import dump, load
dump(sc, 'std_scaler.bin', compress=True)

这将创建文件std_scaler.bin并保存sklearn模型

要在以后阅读模型，请使用加载

sc=load('std_scaler.bin')

---

注意：

sklearn.externals.joblib

不推荐使用。安装并使用纯

joblib

代替，或者如果您喜欢pickle：

import pickle
pickle.dump(sc, open('file/path/scaler.pkl','wb'))

sc = pickle.load(open('file/path/scaler.pkl','rb'))

---

这应该是公认的答案。尽管如此，我还是更愿意将

与open（）…

一起使用，而不是依赖gc来关闭文件。