在R中是否有与powertransform等效的Python函数
在R中是否有与powertransform等效的python函数 这是在R:在R中是否有与powertransform等效的Python函数,python,r,scikit-learn,scipy,transformation,Python,R,Scikit Learn,Scipy,Transformation,在R中是否有与powertransform等效的python函数 这是在R:powerTransform(X,family=“bcnPower”) 我知道并使用了以下功能/软件包: 从scipy.stats导入倾斜,boxcox_normax 来自scipy.special import boxcox,inv_boxcox 从scipy.stats导入yeojohnson\u normax 从scipy.stats导入boxcox\u llf 从sklearn.preprocessing导入p
powerTransform(X,family=“bcnPower”)
我知道并使用了以下功能/软件包:
从scipy.stats导入倾斜,boxcox_normax
来自scipy.special import boxcox,inv_boxcox
从scipy.stats导入yeojohnson\u normax
从scipy.stats导入boxcox\u llf
从sklearn.preprocessing导入power\u变换
从sklearn.preprocessing导入PowerTransformer
我正在尝试使用python转换列表(向量)
从scipy.stats导入boxcox\u normax
vec=“”“45 5 5 3 7 6 5 8 8 3 2 3 5 10 6 7 5 2 3 1 4 4 5 2 5 5 6 6 3 10 4 5 2
7 7 3 11 5 4 4 2 2 4 6 3 4 5 6 5 8 7 4 3 5 7 3 3 6 5 3 6 6 3 9 7 9 7 2 4 2 6 4 2 5 3 4 2
7 3 7 5 5 1 5 7 1 4 5 7"""
vec=list(映射(int,vec.split())
打印(“最小值:”,最小值(向量))
打印(boxcox_normax(vec,method=“all”))
最小值:1
[0.62926218 0.58382934]
powerTransform(vec, family="bcnPower")
估计变换功率,λ
[1] 0.5831778
伽马位置固定在其下限
[1] 0.1
我想要python函数,它提供相同的输出参数和结果。
如果没有这样的函数,我可以实现这样的函数吗?如何实现?在Python中:
from sklearn.preprocessing import PowerTransformer
import pandas as pd
vec = """ 4 5 5 6 5 5 3 7 7 6 5 5 8 8 3 2 3 5 10 6 7 5 2 3 1 3 4 4 5 2 5 4 5 6 5 4 2 6 3 10 4 7 5 2
7 7 3 11 5 4 4 2 2 4 6 3 4 5 6 5 8 7 4 3 5 7 3 3 6 5 3 6 6 3 9 7 9 7 2 4 2 6 4 2 5 3 4 2
7 3 7 5 5 1 5 7 1 4 5 7"""
vec = list(map(int, vec.split()))
pt = PowerTransformer(method='box-cox', standardize=False)
data = pd.DataFrame(vec)
pt.fit(data)
print('Lambda =',pt.lambdas_)
print('First 10 elements:',pt.transform(data)[:10].reshape(1, -1))
#Lambda = [0.58382935]
#First 10 elements: [[2.13498738 2.67039083 2.67039083 3.16269828 2.67039083 2.67039083
# 1.54007639 3.62183527 3.62183527 3.16269828]]
power\u transform
如果设置standarding=False,则会给出相同的值
在R中:
p=powerTransform(vec,family=“bcPower”)
兰姆达
#vec
#0.5838294
bcPower(vec,λ=p$lambda)[1:10]
# [1] 2.134987 2.670391 2.670391 3.162698 2.670391 2.670391 1.540076
# [8] 3.621836 3.621836 3.162698