Python 熊猫：标准化数据时获得0和N

我在熊猫中标准化数据时遇到了一些问题。我已经创建了一个模型，并试图用它来预测

首先，我有：

_text_img_count  _text_vid_count  _text_link_count  _text_par_count  ...
0                2                0                 6

然后我将标准化如下：

    x = numeric_df.values #returns a numpy array
    min_max_scaler = preprocessing.MinMaxScaler()
    x_scaled = min_max_scaler.fit_transform(x)
    numeric_df_normalized = pd.DataFrame(x_scaled)

numeric_df_normalized = pd.DataFrame(numeric_df_normalized, columns=numeric_df.columns)

现在，数值_df_规格化如下所示：

 0    1    2    3    4    5    6    7    8    9  ...    13   14   15   16  \
0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0  0.0 ...   0.0  0.0  0.0  0.0   

    17   18   19   20   21   22  
0  0.0  0.0  0.0  0.0  0.0  0.0  

所以我丢失了我的列名，我的值都是0

最后，我尝试从原始数字_df中添加旧列名，如下所示：

    x = numeric_df.values #returns a numpy array
    min_max_scaler = preprocessing.MinMaxScaler()
    x_scaled = min_max_scaler.fit_transform(x)
    numeric_df_normalized = pd.DataFrame(x_scaled)

numeric_df_normalized = pd.DataFrame(numeric_df_normalized, columns=numeric_df.columns)

我回来了：

_text_img_count  _text_vid_count  _text_link_count ...
            NaN              NaN               NaN

所以有几个问题：

1为什么规范化会导致我丢失列名并将其设置为0

2为什么从numeric_df添加回列名会导致我的0转换为NaN

---

谢谢

如果要将结果转换为具有相同结构的数据帧，可以执行以下操作：

numeric_df_normalized.columns=numeric_df.columns
numeric_df_normalized.index=numeric_df.index

第二行是，如果您也有索引，而不是

numeric_df_normalized = pd.DataFrame(numeric_df_normalized, columns=numeric_df.columns)

关于0，如果第一行中的值是每个特征的最小可能值，则可能发生这种情况。然后，当缩放它们时，它们将转换为0

例如，考虑下面的规范化：

from sklearn import preprocessing

df=pd.DataFrame({'a':[1,2],'b':[3,4]})

min_max_scaler = preprocessing.MinMaxScaler()
x_scaled = min_max_scaler.fit_transform(df.values)

x_标度为

---

因此，左上角1变为0，因为1如果要将结果转换为具有相同结构的数据帧，可以执行以下操作：

numeric_df_normalized.columns=numeric_df.columns
numeric_df_normalized.index=numeric_df.index

第二行是，如果您也有索引，而不是

numeric_df_normalized = pd.DataFrame(numeric_df_normalized, columns=numeric_df.columns)

关于0，如果第一行中的值是每个特征的最小可能值，则可能发生这种情况。然后，当缩放它们时，它们将转换为0

例如，考虑下面的规范化：

from sklearn import preprocessing

df=pd.DataFrame({'a':[1,2],'b':[3,4]})

min_max_scaler = preprocessing.MinMaxScaler()
x_scaled = min_max_scaler.fit_transform(df.values)

x_标度为

所以左上角的1从1变为0 1为什么规范化会导致我丢失列名并将其设置为0

:

因此，当data min==data max时，缩放结果为0

2为什么从numeric_df添加回列名会导致我的0转换为NaN

请注意，numeric_df_normalized已经是一个数据帧，因此pd.DataFramenumeric_df_normalized，columns=numeric_df.columns将尝试用新列匹配当前数据帧。因为没有匹配的列名，所以结果数据为NaN

1为什么规范化会导致我丢失列名并将其设置为0

:

因此，当data min==data max时，缩放结果为0

2为什么从numeric_df添加回列名会导致我的0转换为NaN

---

请注意，numeric_df_normalized已经是一个数据帧，因此pd.DataFramenumeric_df_normalized，columns=numeric_df.columns将尝试用新列匹配当前数据帧。由于没有匹配的列名，结果数据为NaN。

x.max和x.min的最小值和最大值是多少？1。检查最小值和最大值。2.您正在从dataframe创建dataframe。。。最好使用以下选项：numeric_df_normalized=pd.DataFramex_scaled，columns=numeric_df.columns是x.max和x.min的最小值和最大值？1。检查最小值和最大值。2.您正在从dataframe创建dataframe。。。最好使用：numeric\u df\u normalized=pd.DataFramex\u scaled，columns=numeric\u df.columns