Python 熊猫通过迭代除索引外的所有列来规范化数据帧

我需要执行数据帧的规范化，包括一个索引列和其他带有数值的列

Index    a     b      c
xy1     555   436    3667
xz2    4626   658    463
xr3     425   674    436
bx4    4636   6567   6346

我想对数据帧执行max-min规范化，删除包含nan的列，并返回带有原始索引的规范化数据帧。 我正在考虑类似的事情，但是如何从循环中排除索引列，使其在返回的数据帧中保持不变

def normalize(df):
    result = df.copy()
    for feature_name in df.columns:
        max_value = df[feature_name].max()
        min_value = df[feature_name].min()
        result[feature_name] = (df[feature_name] - min_value) / (max_value - min_value)
        if result[feature_name].isnull().values.any():
            result.drop([feature_name], axis=1, inplace=True)
            print(f'Something wrong in {feature_name}, dropping this feature.')
    return result

---

您可以简化

min-max

缩放的实现：

s = df.set_index('Index').dropna(axis=1)
s = (s - s.min())  / (s.max() - s.min())

或者，您可以使用

sklearn.preprocessing

中的

MinMaxScaler

：

from sklearn.preprocessing import MinMaxScaler

s = df.set_index('Index').dropna(axis=1)
s[:] = MinMaxScaler().fit_transform(s)

---

---

df=df.set_index（'index'）

？我不明白。当您迭代

df.columns

时，它会返回索引吗？或者你有一个名为“索引”的列？在后一种情况下，

if feature_name==“Index”：；继续

跳过它。我搞砸了，对不起，我还不太熟悉熊猫！我假设迭代df.columns也会返回索引，但正如您所指出的，它不会。不管怎么说，你的建议很有用，因为我想跳过另一个专栏，所以我可以用它。谢谢我试过了，但我不知道如何以这种方式管理包含NaN的列，所以我在列上进行了显式循环。@Carlo不确定

管理包含NaN的列是什么意思，但我猜使用
。dropna（axis=1）
将删除包含一个或多个
NaN
值的列。抱歉，我没有解释清楚。问题是在规范化之后，有一些列包含NAN，所以在我的循环中，我正在检查并删除这些列。事实上，我现在注意到，我可以完全避免这种情况，因为似乎NAN只是由于某些列始终包含相同的值（因此s.max和s.min是相同的）。一旦我删除这些，规范化就不再产生NAN，我可以使用您的方法：）
print(s)

              a         b         c
Index                              
xy1    0.030872  0.000000  0.546701
xz2    0.997625  0.036209  0.004569
xr3    0.000000  0.038819  0.000000
bx4    1.000000  1.000000  1.000000