Python StandardScaler无法正确缩放

我正在尝试使用StandardScaler来缩放神经网络的特征

假设神经网络具有以下特征：

1.0  2.0   3.0
4.0  5.0   6.0
4.0  11.0  12.0
etc ...

当我将StandardScaler应用于所有行时，第一行的结果如下：

['-0.920854068785', '-0.88080603151', '-0.571888559111']

当我尝试将StandardScaler应用于仅由第一行组成的第一行矩阵时，我得到了完全不同的结果

['0.0', '0.0', '0.0']

显然，神经网络不会以这种方式工作，因为行不同。有没有什么方法可以使用标准的scaller，这样我每次都能得到相同的结果，对于相同的输入行

以下是代码和输出：

from sklearn.preprocessing import StandardScaler
import numpy as np
sc = StandardScaler()

#defining the (big) matrix
AR = np.array([[1.0,2.0,3.0],[4.0,5.0,6.0],[4.0,11.0,12.0],[42.0,131.0,1121.0],[41.0,111.0,121.0]])
AR = sc.fit_transform(AR)
print "fited data from big array:"
m=0
for row in AR: 
    m = m + 1
    if m==1:print [str(m) for m in row]

#defining the (small) matrix
AR1 = np.array([[1.0,2.0,3.0]])
AR1 = sc.fit_transform(AR1)
print "fited data from small array"
for row in AR1: 
     print [str(m) for m in row]

输出为：

fited data from big array:
['-0.920854068785', '-0.88080603151', '-0.571888559111']
fited data from small array
['0.0', '0.0', '0.0']

StandardScaler将按平均值移动数据，并按标准对其进行缩放，因为您只向其传递一行，每列的平均值是值本身，值将移动到零。看更多

在您的情况下，您应该使scaler适合所有数据，并且对于每一行，您可以使用transform来获得结果

sc.fit(data) # this will compute mean and std on all rows
scaled_row = sc.transform(row) # apply shift to a single row 

StandardScaler将按平均值移动数据，并按标准对其进行缩放，因为您只向其传递一行，每列的平均值是值本身，值将移动到零。看更多

在您的情况下，您应该使scaler适合所有数据，并且对于每一行，您可以使用transform来获得结果

sc.fit(data) # this will compute mean and std on all rows
scaled_row = sc.transform(row) # apply shift to a single row 

---

像StandardScaler一样，所有估计器都有可以访问的类变量，并且可以打印值。 如果使用StandardScaler，因为要打印平均值，您应该执行以下操作：

定标器=标准定标器 scaler.fitmy\u输入\u数组 打印scaler.mean u以获取每列的平均值 打印scaler.var以获取每列的方差 您可以在中找到所有此类变量的列表

注：StandardScaler的目的是将平均值设为0，并对其进行缩放，而不是查找平均值或方差

---

这样做是为了使您的输入成为其他函数/算法可以工作的理想输入，并且您可以获得更好的精度。

与StandardScaler一样，所有估计器都有可以访问的类变量，并且可以打印值。 如果使用StandardScaler，因为要打印平均值，您应该执行以下操作：

定标器=标准定标器 scaler.fitmy\u输入\u数组 打印scaler.mean u以获取每列的平均值 打印scaler.var以获取每列的方差 您可以在中找到所有此类变量的列表

注：StandardScaler的目的是将平均值设为0，并对其进行缩放，而不是查找平均值或方差

---

这样做是为了使您的输入成为其他函数/算法可以工作的理想输入，并且您可以获得更好的精度。

从中，拟合变换的输入是[n_样本，n_特征]。它在列上缩放。每列中只有一个值，因此得到0。是的，每列上只有一个值。但结果必须是一样的。否则神经网络的输入就不一样了，但结果也不一样，因为你要拟合不同的数据。也许你是想叫fit_transformAR和Transformar1 transform/fit_transform谢谢，我在labelencoder和OnHotEncoder中都用错了。很高兴能帮上忙。请考虑将下面的答案标记为正确的，因为它本质上是相同的。从输入到FITTY变换是[NS-样本，NS-特征]。它在列上缩放。每列中只有一个值，因此得到0。是的，每列上只有一个值。但结果必须是一样的。否则神经网络的输入就不一样了，但结果也不一样，因为你要拟合不同的数据。也许你是想叫fit_transformAR和Transformar1 transform/fit_transform谢谢，我在labelencoder和OnHotEncoder中都用错了。很高兴能帮上忙。请考虑将下面的最佳答案标记为正确，因为它本质上说的是同一件事。