sklearn.preprocessing.scale?
sklearn.preprocessing.scale(X, *, axis=0, with_mean=True, with_std=True, copy=True)
沿任何軸標準化數據集
以均值為中心，以分量為單位縮放至單位方差。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| X | {array-like, sparse matrix} 數據要居中和縮放。 |
| axis | int (0 by default) 用于計算平均值和標準偏差的軸。如果為0，則獨立標準化每個特征，否則（如果為1）則標準化每個樣本。 |
| with_mean | boolean, True by default 如果為True，則在縮放之前將數據居中。 |
| with_std | boolean, True by default 如果為True，則將數據縮放到單位方差（或等效地，單位標準偏差）。 |
| copy | boolean, optional, default True 設置為False將執行就地行規范化并避免復制（如果輸入已經是numpy數組或scipy.sparse CSC矩陣，并且軸為1）。 |
另見：
使用“ Transformer” API（例如，作為預處理 sklearn.pipeline.Pipeline的一部分）將縮放比例縮放為單位方差。
注釋
此實現將拒絕使scipy.sparse矩陣居中，因為這會使它們變得稀疏，并可能因內存耗盡問題而使程序崩潰。
相反，調用者要么顯式設置為_mean=False（在這種情況下，只對CSC矩陣的特征執行方差縮放），要么調用X.toarray（），如果他/她希望物化密集數組適合內存。
為避免內存復制，調用者應傳遞CSC矩陣。
NaN被視為缺失值：忽略以計算統計數據，并在數據轉換期間進行維護。
對于標準偏差，我們使用偏差估算器，它等于numpy.std（x，ddof = 0）。請注意，選擇ddof不太可能影響模型性能。
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。
