Python中是否有用于进行数据转换的软件包：缩放，居中和Box-Cox转换以消除数据的偏差？
在R中，这可以使用set.seed(1)
predictors = data.frame(x1 = rnorm(1000,
mean = 5,
sd = 2),
x2 = rexp(1000,
rate=10))
require(caret)
trans = preProcess(predictors,
c("BoxCox", "center", "scale"))
predictorsTrans = data.frame(
trans = predict(trans, predictors))
包来完成：
sklearn我知道slice.indices()，但我无法找到上述处理函数。
答案 0 :(得分：0)
现在scikitlearn有一种方法可以执行您想要的操作。这提供了熟悉的API，并且易于放入管道中。
sklearn版本0.20.0具有通过power_transform方法可用的Box-Cox转换。此方法应用Box-Cox，然后对数据应用零均值，单位方差归一化。您可以使用（standardize = False）编辑默认标准化。
sklearn.preprocessing.power_transform（X，method ='box-cox'， standardize = True，copy = True）
逐个应用幂变换以使数据更像高斯型。
幂变换是一组参数化，单调变换 用于使数据更像高斯型。这对于 与异方差（非恒定方差）相关的建模问题， 或其他需要正常的情况。
当前，power_transform（）支持Box-Cox转换。 Box-Cox 要求输入数据严格为正。的最佳参数 通过以下方法估算稳定方差和最小化偏斜 最大可能性。
默认情况下，零均值，单位方差归一化应用于 转换后的数据。
http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.power_transform.html
主要文档页面没有提及它，但是power_transform也支持Yeo-Johnson转换。
文档在这里也有很好的解释： http://scikit-learn.org/stable/modules/preprocessing.html#preprocessing-transformer