[Python] sklearn.preprocessing (스케일링)

※ preprocessing

■ MinMaxScaler (Min Max 스케일링)

• 데이터 feature의 값을 특정 범위로 변환하기 위한 라이브러리
• default는 각 feature의 값을 0과 1사이로 변환함

□ 라이브러리 호출

> from sklearn.preprocessing import MinMaxScaler

□ Min-Max Scaling

• parameter
  • feature_range: 변환할 범위
• attribute
  • .fit(): 변수별 통계량을 계산하여 저장
    • min-max-scaler: 최대값 및 최소값
    • standard-scaler: 평균 및 표준편차
  • .transform(): 변수별 통계량을 바탕으로 스케일링 수행
  • .inverse_transform(): 스케일링된 값을 다시 원래 값으로 변환
    

# 기본 구조
# 인스턴스화
> scaler = MinMaxScaler(feature_range = (0, 1), ...)

# 모델 학습
> scaler.fit(X_train)

# 데이터 변환
> X_train_scaling = scaler.transform(X_train)

# e.g.

# 각 컬럼별 범위 확인
# 범위가 너무 차이가 나, 스케일링 필요
> Train_X.max() - Train_X.min()
A   0.394
B   0.423
C 133.000
D 215.000
...

# 스케일링
> scaler = MinMaxScaler() # 인스턴스화
> scaler.fit(X_train) # 모델 학습
> X_train_scaling = scaler.transform(X_train) # 데이터 변환

# 다시 Data Frame형태로 변환
> X_train_scaling = pd.DataFrame(X_train_scaling, columns = X_train.columns)

# 스케일링 전/후 비교
> X_train
        A      B    C   D
246 0.307  0.357  110 203
49  0.194  0.270    8  28
...

> X_train_scaling
         A         B         C         D
0 0.619289  0.695035  0.827068  0.939535
1 0.332487  0.489362  0.060150  0.125581
...

■ StandardScaler (표준화 스케일링)

• 데이터를 표준화하는 라이브러리
• 데이터의 평균을 0, 표준편차를 1로 변환함

□ 라이브러리 호출

> from sklearn.preprocessing import StandardScaler

# 기본 구조
# 인스턴스화
> scaler = StandardScaler()

# 모델 학습
> scaler.fit(X_train)

# 데이터 변환
> X_train_scaling = scaler.transform(X_train)
> X_test_scaling = scaler.transform(X_test)