sklearn.preprocessing.QuantileTransformer?

class sklearn.preprocessing.QuantileTransformer(*, n_quantiles=1000, output_distribution='uniform', ignore_implicit_zeros=False, subsample=100000, random_state=None, copy=True)

[源碼]

使用分位數信息變換特征。

此方法將要素轉換為遵循均勻或正態分布。因此，對于給定的特征，此變換趨向于散布最頻繁的值。它還減少了（邊際）離群值的影響：因此，這是一個可靠的預處理方案。

變換獨立應用于每個功能。首先，特征的累積分布函數的估計值用于將原始值映射到均勻分布。然后使用關聯的分位數函數將獲得的值映射到所需的輸出分布。低于或高于擬合范圍的新數據/看不見數據的特征值將映射到輸出分布的邊界。請注意，此變換是非線性的。它可能會扭曲以相同比例尺測量的變量之間的線性相關性，但會使以不同比例尺測量的變量更直接可比。

在用戶指南中閱讀更多內容。

版本0.19中的新功能。

參數 說明
n_quantiles int, optional (default=1000 or n_samples)
要計算的分位數。它對應于用來離散化累積分布函數的界標數量。如果n_quantiles大于樣本數，則將n_quantiles設置為樣本數，因為較大的分位數不能夠更好地近似累積分布函數估計量。
output_distribution str, optional (default=’uniform’)
轉換后數據的邊際分布。選擇是“統一”（默認）或“正常”。
ignore_implicit_zeros bool, optional (default=False)
僅適用于稀疏矩陣。如果為True，則將丟棄矩陣的稀疏條目以計算分位數統計信息。如果為False，則將這些條目視為零。
subsample int, optional (default=1e5)
用于估計分位數以提高計算效率的最大樣本數。注意，對于值相同的稀疏矩陣和密集矩陣，子采樣過程可能有所不同。
random_state int, RandomState instance or None, optional (default=None)
確定用于二次采樣和平滑噪聲的隨機數生成。請參閱子樣本以獲取更多詳細信息。在多個函數調用之間傳遞int以獲得可重復的結果。見詞匯
copy boolean, optional, (default=True)
設置為False可以執行就地轉換并避免復制（如果輸入已經是一個numpy數組）。
屬性 說明
n_quantiles_ integer
用于離散化累積分布函數的分位數的實際數量。
quantiles_ ndarray, shape (n_quantiles, n_features)
這些值對應于參考分位數。
references_ ndarray, shape(n_quantiles, )
參考分位數。

另見：

quantile_transform

沒有估算器API的等效函數。

PowerTransformer

使用冪變換執行到正態分布的映射。

StandardScaler

執行更快的標準化，但對異常值的魯棒性較低。

RobustScaler

執行魯棒的標準化，以消除離群值的影響，但不會使離群值和離群值處于相同的規模。

注釋

NaN被視為缺失值：忽略適合度，并保持變換值。

有關不同縮放器，轉換器和規范化器的比較，請參閱examples/preprocessing/plot_all_scaling.py。

示例

>>> import numpy as np
>>> from sklearn.preprocessing import QuantileTransformer
>>> rng = np.random.RandomState(0)
>>> X = np.sort(rng.normal(loc=0.5, scale=0.25, size=(25, 1)), axis=0)
>>> qt = QuantileTransformer(n_quantiles=10, random_state=0)
>>> qt.fit_transform(X)
array([...])

方法

方法 說明
fit(X[, y]) 計算用于轉換的分位數。
fit_transform(X[, y]) 擬合數據，然后對其進行轉換。
get_params([deep]) 獲取此估計量的參數。
inverse_transform(X) 反投影到原始空間。
set_params(**params) 設置此估算器的參數。
transform(X) 數據的按特征進行轉換。 
__init__(*, n_quantiles=1000, output_distribution='uniform', ignore_implicit_zeros=False, subsample=100000, random_state=None, copy=True)

[源碼]

初始化self，有關準確的簽名，請參見help（type（self））。

fit(X, y=None)

源碼

計算用于轉換的分位數。

參數 說明
X ndarray or sparse matrix, shape (n_samples, n_features)
用于沿要素軸縮放的數據。如果提供了稀疏矩陣，它將被轉換為稀疏csc_matrix。此外，如果ignore_implicit_zeros為False，則稀疏矩陣需要為非負數。
返回值 說明
self object 
fit_transform(X, y=None, **fit_params)

[源碼]

擬合數據，然后對其進行轉換。

使用可選參數fit_params將轉換器擬合到X和y，并返回X的轉換版本。

參數 說明
X {array-like, sparse matrix, dataframe} of shape (n_samples, n_features)
y ndarray of shape (n_samples,), default=None
目標值。
**fit_params dict
其他擬合參數。
返回值 說明
X_new ndarray array of shape (n_samples, n_features_new)
轉換后的數組。		 
get_params(deep=True)

[源碼]

獲取此估計量的參數。

參數 說明
deep bool, default=True
如果為True，則將返回此估算器和作為估算器的所包含子對象的參數。
返回值 說明
params mapping of string to any
參數名稱映射到其值。		 
inverse_transform(X)

[源碼]

反投影到原始空間。

參數 說明
X ndarray or sparse matrix, shape (n_samples, n_features)
用于沿要素軸縮放的數據。如果提供了稀疏矩陣，它將被轉換為稀疏csc_matrix。此外，如果ignore_implicit_zeros為False，則稀疏矩陣需要為非負數。
返回值 說明
Xt ndarray or sparse matrix, shape (n_samples, n_features)
投影數據。		 
set_params(**params)

[源碼]

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者的參數形式為<component>__<parameter>這樣就可以更新嵌套對象的每個組件。

參數 說明
**params dict
估算器參數。
返回值 說明
self object
估算器實例。		 
transform(X)

[源碼]

數據的按特征進行轉換。

參數 說明
X ndarray or sparse matrix, shape (n_samples, n_features)
用于沿要素軸縮放的數據。如果提供了稀疏矩陣，它將被轉換為稀疏csc_matrix。此外，如果ignore_implicit_zeros為False，則稀疏矩陣需要為非負數。
返回值 說明
Xt ndarray or sparse matrix, shape (n_samples, n_features)
投影數據。