精华内容
下载资源
问答
  • apply()里面可以跟自定义的函数,包括简单的求和函数以及复杂的特征间的差值函数等(注:apply不能直接使用agg()方法 / transform()中的python内置函数,例如sum、max、min、’count‘等方法transform() 里面不能...
  • transform的使用方法

    2021-02-21 21:33:44
    transform的使用方法 transform的含义是:改变,使…变形;转换 transform的使用方法transform的使用方法一、旋转rotate二、移动translate三、缩放scale四、扭曲skew 一、旋转rotate rotate:通过指定的角度参数对...

    transform的使用方法

    transform的含义是:改变,使…变形;转换
    

    一、旋转rotate

    rotate:通过指定的角度参数对原元素指定一个效果。
    如果设置的值为正数表示顺时针旋转,如果设置的值为负数,则表示逆时针旋转。如:transform:rotate(30deg);
    在这里插入图片描述

    二、移动translate

    translate() 根据左(X轴)和顶部(Y轴)位置给定的参数,从当前元素位置移动。
    如:transform:translate(100px,20px):
    在这里插入图片描述

    translateX
    通过给定一个X方向上的数目指定一个translation。只向x轴进行移动元素,同样其基点是元素中心点,也可以根据transform-origin改变基点位置
    transform:translateX(100px):
    在这里插入图片描述

    translateY
    通过给定Y方向的数目指定一个translation。只向Y轴进行移动,基点在元素心点,可以通过transform-origin改变基点位置。
    transform:translateY(20px):
    在这里插入图片描述

    三、缩放scale

    缩放scale和移动translate是有点相似的,也是有三种情况:下面我们具体来看看这三种情况具体使用方法:
    注意:默认值是1,它的值放大是比1大,缩小比1小。
    1、scale(x,y) 定义 2D 缩放转换,改变元素的宽度和高度。
    如:transform:scale(2,1.5);
    在这里插入图片描述

    2、scaleX(n) 定义 2D 缩放转换,改变元素的宽度。

    如:transform:scaleX(2):
    在这里插入图片描述

    3、scaleY(n) 定义 2D 缩放转换,改变元素的高度。

    如:transform:scaleY(2):
    在这里插入图片描述

    四、扭曲skew

    1、skew(x-angle,y-angle) 定义 2D 倾斜转换,沿着 X 和 Y 轴。

    如:transform:skew(30deg,10deg);
    image

    2、skewX(angle) 定义 2D 倾斜转换,沿着 X 轴。

    如:transform:skewX(30deg);

    image

    3、skewY(angle) 定义 2D 倾斜转换,沿着 Y 轴。

    如:transform:skewY(10deg);

    image

    matrix(, , , , , ) : 以一个含六值的(a,b,c,d,e,f)变换矩阵的形式指定一个2D变换,相当于直接应用一个[a b c d e f]变换矩阵。就是基于水平方向(X轴)和垂直方向(Y轴)重新定位元素,此属性值使用涉及到数学中的矩阵。
    改变元素基点 tranform-origin

    展开全文
  • 背景: StandardScaler类是一个用来讲数据进行归一化和标准化的类。...StandardScaler类中transform和fit_transform方法有什么区别? 答:fit_transform方法是fit和transform的结合,fit_transform(X_train) ...

    背景:
    StandardScaler类是一个用来讲数据进行归一化和标准化的类。
    所谓归一化和标准化,即应用下列公式:
    X=(x-\mu)/\sigma
    使得新的X数据集方差为1,均值为0

     

     

    问题一:
    StandardScaler类中transform和fit_transform方法有什么区别?

    答:fit_transform方法是fit和transform的结合,fit_transform(X_train) 意思是找出X_train的,并应用在X_train上。
    这时对于X_test,我们就可以直接使用transform方法。因为此时StandardScaler已经保存了X_train的

    问题二:
    为什么可以用训练集的 来transform 测试集的数据X_test?

    答:我们家大王说,“机器学习中有很多假设,这里假设了训练集的样本采样足够充分”。我觉得颇有道理。

     

    最后再补充下几种归一化方法的区别:

    作者:代码律动
    链接:https://www.zhihu.com/question/60490799/answer/388715802
    来源:知乎
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

    Zero-mean normalization

    这就是均值方差归一化,这样处理后的数据将符合标准正太分布,常用在一些通过距离得出相似度的聚类算法中,比如 K-means。

    Min-max normalization
    公式: X=(x-Xmin)/(Xmax-Xmin)
    min-max 归一化的手段是一种线性的归一化方法,它的特点是不会对数据分布产生影响。不过如果你的数据的最大最小值不是稳定的话,你的结果可能因此变得不稳定。min-max 归一化在图像处理上非常常用,因为大部分的像素值范围是 [0, 255]。

    Non-linear normaliztions
    非线性的归一化函数包含 log,exp,arctan, sigmoid等等。用非线性归一化的函数取决于你的输入数据范围以及你期望的输出范围。比如 log() 函数在 [0, 1] 区间上有很强的区分度,arctan() 可以接收任意实数病转化到
    区间,sigmoid 接收任意实数并映射到 (0, 1)。

    Length-one normalization

    将特征转为单位向量的形式,可以剔除特征的强度的影响。这种处理用在不考虑向量大小而需要考虑向量方向的问题中,比如在一些文本情感的分类中,我们可能并不需要知道情感表达的强弱,而只要知道情感的类型,比如开心,生气等等。

    展开全文
  • XslTransform.Transform将结果输出到字符串里的方法
  • Unity:Transform类 常用属性: 常用方法

    Unity:Transform类
    在这里插入图片描述
    常用属性:
    在这里插入图片描述
    常用方法:
    在这里插入图片描述

    展开全文
  • sklearn:sklearn.preprocessing.StandardScaler函数的fit_transformtransform、inverse_transform简介、使用方法之详细攻略 目录 StandardScaler函数的的简介及其用法 StandardScaler函数的的简介 ...

    sklearn:sklearn.preprocessing.StandardScaler函数的fit_transform、transform、inverse_transform简介、使用方法之详细攻略

     

     

    目录

    标准化/归一化的数学原理及其代码实现

    StandardScaler函数的的简介及其用法

    StandardScaler函数的的简介

    StandardScaler函数的案例应用

    fit_transform函数

    fit_transform函数的简介

    fit_transform函数的用法

    transform函数的简介及其用法

    transform函数的简介

    transform函数的用法

    inverse_transform函数的简介及其用法

    inverse_transform函数的简介

    inverse_transform函数的用法


     

     

    标准化/归一化的数学原理及其代码实现

    参考文章ML之FE:数据处理—特征工程之特征三化(标准化【四大数据类型(数值型/类别型/字符串型/时间型)】、归一化、向量化)简介、代码实现、案例应用之详细攻略

     

     

     

     

    StandardScaler函数的的简介及其用法

    注意事项:在机器学习的sklearn.preprocessing中,当需要对训练和测试数据进行标准化时,使用两个不同的函数,

    • 训练数据,采用fit_transform()函数
    • 测试数据,采用tansform()函数

     

    StandardScaler函数的的简介

          """Standardize features by removing the mean and scaling to unit variance
        Centering and scaling happen independently on each feature by computing the relevant statistics on the samples in the training set. Mean and standard deviation are then stored to be used on later data using the`transform` method.
        Standardization of a dataset is a common requirement for many machine learning estimators: they might behave badly if the individual feature do not more or less look like standard normally distributed data (e.g. Gaussian with 0 mean and unit variance).
        For instance many elements used in the objective function of a learning algorithm (such as the RBF kernel of Support Vector Machines or the L1 and L2 regularizers of linear models) assume that all features are centered around 0 and have variance in the same order. If a feature has a variance that is orders of magnitude larger that others, it might dominate the objective function and make the estimator unable to learn from other features correctly as expected.
        This scaler can also be applied to sparse CSR or CSC matrices by passing with_mean=False` to avoid breaking the sparsity structure of the data.
        Read more in the :ref:`User Guide <preprocessing_scaler>`.

    通过除均值并缩放到单位方差来标准化特征
    通过计算训练集中样本的相关统计数据,对每个特征分别进行定心和定标。然后使用“transform”方法存储平均值和标准差,以供以后的数据使用。

    PS:系统会记录每个输入参数的平均数和标准差,以便数据可以还原。
    数据集的标准化是许多机器学习估计器的一个常见需求:如果单个特征与标准的正态分布数据(例如,均值为0的高斯分布和单位方差)不太相似,估计器的性能可能会很差
    例如,学习算法的目标函数中使用的许多元素(如支持向量机的RBF核或线性模型的L1和L2正则化器)都假定所有特征都以0为中心,并且具有相同的方差。如果一个特征的方差比其他特征的方差大几个数量级,那么它就可能控制目标函数,使估计者无法按照预期正确地从其他特征中学习。
    这个标量也可以通过传递with_mean=False来应用于稀疏的CSR或CSC矩阵,以避免打破数据的稀疏结构。
    请参阅:ref: ' User Guide  '。</preprocessing_scaler>

        Parameters
        ----------
        copy : boolean, optional, default True
        If False, try to avoid a copy and do inplace scaling instead.
        This is not guaranteed to always work inplace; e.g. if the data is not a NumPy array or scipy.sparse CSR matrix, a copy may still be  returned.
        with_mean : boolean, True by default
        If True, center the data before scaling.
        This does not work (and will raise an exception) when attempted on sparse matrices, because centering them entails building a dense matrix which in common use cases is likely to be too large to fit in memory.
        with_std : boolean, True by default
        If True, scale the data to unit variance (or equivalently,  unit standard deviation).
    参数
    ----------
    copy:  布尔值,可选,默认为真
    如果是假的,尽量避免复制,而要进行适当的缩放。
    并不能保证总是在适当的地方工作;例如,如果数据不是NumPy数组或scipy。稀疏的CSR矩阵,仍然可以返回一个副本。
    with_mean:布尔值,默认为真
    如果为真,则在扩展之前将数据居中。
    这在处理稀疏矩阵时不起作用(并且会引发一个异常),因为将它们居中需要构建一个密集的矩阵,在通常情况下,这个矩阵可能太大而无法装入内存。
    with_std:布尔值,默认为真
    如果为真,则将数据缩放到单位方差(或者等效为单位标准差)。
        Attributes
        ----------
        scale_ : ndarray, shape (n_features,)   Per feature relative scaling of the data.
        
        .. versionadded:: 0.17
        *scale_*
        
        mean_ : array of floats with shape [n_features]
        The mean value for each feature in the training set.
        
        var_ : array of floats with shape [n_features]
        The variance for each feature in the training set. Used to compute `scale_`
        
        n_samples_seen_ : int
        The number of samples processed by the estimator. Will be reset on new calls to fit, but increments across ``partial_fit`` calls.

    属性
    ----------
    scale_: ndarray,形状(n_features,)数据的每个特征相对缩放。缩放比例,同时也是标准差。
    . .versionadded:: 0.17
    * scale_ *

    mean_:带形状的浮动数组[n_features]
    训练集中每个特征的平均值。


    var_:带形状的浮动数组[n_features]
    训练集中每个特征的方差。用于计算' scale_ '


    n_samples_seen_: int
    由估计量处理的样本数。将重置新的调用,以适应,但增量跨越' ' partial_fit ' '调用。

        See also
        --------
        scale: Equivalent function without the estimator API.
        
        :class:`sklearn.decomposition.PCA`
        Further removes the linear correlation across features with 'whiten=True'.
        
        Notes
        -----
        For a comparison of the different scalers, transformers, and normalizers,
        see :ref:`examples/preprocessing/plot_all_scaling.py
        <sphx_glr_auto_examples_preprocessing_plot_all_scaling.py>`.
    另请参阅
    --------
    scale:没有estimator API的等价函数。
    类:“sklearn.decomposition.PCA”
    进一步用'whiten=True'去除特征间的线性相关。
    笔记-----
    为了比较不同的定标器、变压器和规格化器,
    看:裁判:“/预处理/ plot_all_scaling.py例子
    < sphx_glr_auto_examples_preprocessing_plot_all_scaling.py >”。

     

    StandardScaler函数的案例应用

    from sklearn.preprocessing import StandardScaler
    
    data = [[0, 0], [0, 0], [1, 1], [1, 1]]
    scaler = StandardScaler()
    print(scaler.fit(data))
    
    StandardScaler(copy=True, with_mean=True, with_std=True)
    print(scaler.mean_)        # [ 0.5  0.5]
    print(scaler.transform(data))
    #     [[-1. -1.]
    #     [-1. -1.]
    #     [ 1.  1.]
    #     [ 1.  1.]]
    
    print(scaler.transform([[2, 2]])) #[[ 3.  3.]]

     

    fit_transform函数

     

    fit_transform函数的简介

        """Fit to data, then transform it.
        Fits transformer to X and y with optional parameters fit_params and returns a transformed version of X.
    “拟合数据,然后转换它。”
    使用可选参数fit_params将transformer匹配到X和y,并返回转换后的X版本。
        Parameters
        ----------
        X : numpy array of shape [n_samples, n_features]
        Training set.
        
        y : numpy array of shape [n_samples]
        Target values.
        
        Returns
        -------
        X_new : numpy array of shape [n_samples, n_features_new]
        Transformed array.

    参数
    ----------
    X:  形状是numpy数组[n_samples, n_features]
    训练集

    y:   numpy数组的形状[n_samples]
    目标值。
    返回
    -------
    X_new: numpy数组的形状[n_samples, n_features_new]
    改变数组。&nbsp;
     
        # non-optimized default implementation; override when a   better method is possible for a given clustering algorithm未经优化默认实现;当对给定的聚类算法有更好的方法时重写

     

    fit_transform函数的用法

    def fit_transform Found at: sklearn.base
    
    def fit_transform(self, X, y=None, **fit_params):
        """
        # non-optimized default implementation; override when a 
         better
        # method is possible for a given clustering algorithm
        if y is None:
        # fit method of arity 1 (unsupervised transformation)
            return self.fit(X, **fit_params).transform(X)
        else:
            return self.fit(X, y, **fit_params).transform(X) # fit method of 
             arity 2 (supervised transformation)

     

     

     

     

    transform函数的简介及其用法

    transform函数的简介

        """Perform standardization by centering and scaling
        
        Parameters
        ----------
        X : array-like, shape [n_samples, n_features]
        The data used to scale along the features axis.
        y : (ignored)
        .. deprecated:: 0.19
        This parameter will be removed in 0.21.
        copy : bool, optional (default: None)
        Copy the input X or not.
        """
    通过定心和定标来实现标准化

    参数
    ----------
    X:类数组,形状[n_samples, n_features]
    用于沿着特征轴缩放的数据。
    y:(忽略)
    . .弃用::0.19
    这个参数将在0.21中删除。
    复制:bool,可选(默认:无)
    是否复制输入X。
    ”“”

     

    transform函数的用法

    def transform Found at: sklearn.preprocessing.data
    
    def transform(self, X, y='deprecated', copy=None):
    
        if not isinstance(y, string_types) or y != 
         'deprecated':
            warnings.warn("The parameter y on transform() 
             is "
                "deprecated since 0.19 and will be removed in 
                 0.21", 
                DeprecationWarning)
        check_is_fitted(self, 'scale_')
        copy = copy if copy is not None else self.copy
        X = check_array(X, accept_sparse='csr', 
         copy=copy, warn_on_dtype=True, 
            estimator=self, dtype=FLOAT_DTYPES)
        if sparse.issparse(X):
            if self.with_mean:
                raise ValueError(
                    "Cannot center sparse matrices: pass 
                     `with_mean=False` "
                    "instead. See docstring for motivation and 
                     alternatives.")
            if self.scale_ is not None:
                inplace_column_scale(X, 1 / self.scale_)
        else:
            if self.with_mean:
                X -= self.mean_
            if self.with_std:
                X /= self.scale_
        return X

     

    inverse_transform函数的简介及其用法

    inverse_transform函数的简介

        """Scale back the data to the original representation
        
        Parameters
        ----------
        X : array-like, shape [n_samples, n_features]
        The data used to scale along the features axis.
        copy : bool, optional (default: None)
        Copy the input X or not.
        
        Returns
        -------
        X_tr : array-like, shape [n_samples, n_features]
        Transformed array.
        """

    把数据缩减到原来的样子

    参数
    ----------
    X:类数组,形状[n_samples, n_features]
    用于沿着特征轴缩放的数据。
    复制:bool,可选(默认:无)
    是否复制输入X。

    返回
    -------
    X_tr:类数组,形状[n_samples, n_features]
    改变数组。
    """

     

     

    inverse_transform函数的用法

    def inverse_transform Found at: sklearn.preprocessing.data
    
    def inverse_transform(self, X, copy=None):
    
        check_is_fitted(self, 'scale_')
        copy = copy if copy is not None else self.copy
        if sparse.issparse(X):
            if self.with_mean:
                raise ValueError(
                    "Cannot uncenter sparse matrices: pass 
                     `with_mean=False` "
                    "instead See docstring for motivation and 
                     alternatives.")
            if not sparse.isspmatrix_csr(X):
                X = X.tocsr()
                copy = False
            if copy:
                X = X.copy()
            if self.scale_ is not None:
                inplace_column_scale(X, self.scale_)
        else:
            X = np.asarray(X)
            if copy:
                X = X.copy()
            if self.with_std:
                X *= self.scale_
            if self.with_mean:
                X += self.mean_
        return X

     

     

     

     

     

    展开全文
  • TRANSFORM 用法

    千次阅读 2020-12-05 05:27:51
    Hive 的 TRANSFORM 关键字提供了在 SQL 中调用自写脚本的功能。适合实现 Hive 中没有的 功能又不想写 UDF 的情况具体以一个实例讲解。Json 数据: {"movie":"1193","rate":"5","timeStamp":"978300760","uid":"1"}...
  • MinMaxScaler.fit_transform() Init signature: MinMaxScaler(feature_range=(0, 1), copy=True) Docstring: Transforms features by scaling each feature to a given range. This estimator scales and ...
  • CSS3transform属性详解

    万次阅读 2019-05-17 21:43:30
    Transform字面上就是变形,改变的意思。在CSS3中transform主要包括以下几种:旋转rotate、扭曲skew、缩放scale和移动translate以及矩阵变形matrix。下面我们一起来看看CSS3中transform的旋转rotate、扭曲skew、缩放...
  • SimpleImputer 中fit和transform方法的简介

    千次阅读 2020-07-29 08:22:30
    sklearn.impute.SimpleImputer 中fit和transform方法的简介 SimpleImputer 简介 通过SimpleImputer ,可以将现实数据中缺失的值通过同一列的均值、中值、或者众数补充起来,这里用均值举例。 fit方法 通过fit方法...
  • position和transform使元素居中的方法 (转载) 1. position &amp; transform: translate(-50%, -50%) 实现块元素百分比居中 css3: .parent { positioin: relative; } .child { positioin: absolute; top: 50%;...
  • 3D Transform方法 常用方法 rotatex() 方法 rotatey() 方法 结语 CSS 3D转换 CSS3 允许我们使用 3D 转换来对元素进行格式化。 浏览器支持 表格中的数字表示支持该属性的第一个浏览器版本号。 紧跟在 -...
  • 主要介绍了css3的transform中scale缩放的使用方法,需要的朋友可以参考下
  • transform

    万次阅读 2018-02-08 21:43:28
    Transform字面上就是变形,改变的意思。在CSS3中transform主要包括以下几种:旋转rotate、扭曲skew、缩放scale和移动translate以及矩阵变形matrix。下面我们一起来看看CSS3中transform的旋转rotate、扭曲skew、缩放...
  • 简单方法Transform等比缩放解决大屏展示屏幕分辨率的问题一、为什么不用rem?二、使用transform1.transform用法2.项目中使用 一、为什么不用rem? rem方案固然好,但是我司项目中的业务场景是某个页面大屏展示,rem...
  • StandardScaler类中transform和fit_transform方法有什么区别? 答:fit_transform方法是fit和transform的结合,fit_transform(X_train) 意思是找出X_train的和,并应用在X_train上。 这时对于X_test,我们就可以...
  • pytorch中transform常用的几个方法

    万次阅读 多人点赞 2019-08-05 10:54:35
    主要从官方文档中总结而来,官方文档只是将方法陈列,没有归纳总结,顺序很乱,这里总结一共四大类,方便大家索引: 裁剪——Crop 中心裁剪:transforms.CenterCrop 随机裁剪:transforms.RandomCrop ...
  • transform:translate()方法坐标详解

    千次阅读 多人点赞 2021-01-05 16:54:45
    定义:translate()方法,根据左(X轴)和顶部(Y轴)位置给定的参数,从当前元素位置移动。 但是如何移动呢?于是做了以下实验: 实验1.设置transform:translate(0px,0px),即延X轴和延Y轴均移动0像素,保持原有位置,...
  • 引用文章: 有关StandardScaler的transform和fit_transform方法 https://www.jianshu.com/p/2a635d9e894d fit_tranform简单来说就是将数据归一化后返回转换后的数据 fit_transform: Signature: StandardScaler.fit_...
  • transform 属性之简单变换方法

    千次阅读 2017-12-28 21:45:55
    本文是解析 transform 属性系列的第一篇。 定义 transform 属性用于给元素应用 2D 或 3D 变换。通过该属性,我们可以对元素进行旋转、缩放、移动或...2D 转换常用的方法如下: translate rotate scale skew matri
  • 简介Pandas(Python)中的transform函数一开始可能有点...应用实例考虑这样一个例子,我们来自某商店的表格如下:某商店的销售数据而我们希望生成一个新列,统计每个用户的平均购买额,如下:我们希望生成的表我们...
  • Transform的属性及使用

    千次阅读 2020-10-23 17:18:11
    前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门...假如一个盒子,高度两百像素,宽度两百像素,设置一个背景颜色,下面来用这个盒子来观察transform每个属性值的效..
  • CSS3变形处理 transform 可以对文字或图像的旋转、缩放、倾斜、移动进行变形处理...旋转使用rotate方法来实现文字或图像的旋转处理,在参数中指定旋转角度。/*顺时针旋转30°*/ transform: rotate(30deg);缩放使用sca
  • pandas模块给数据处理的能力给予了很大的助力,但是初学者刚开始可能会被其中分组聚合的三个方法(apply,agg和transform),弄的头晕眼花,至少我自己学习的过程中是这样的,看了网上的很多解释,觉得对于初学者理解...
  • hough transform 直线检测

    2018-03-28 08:47:27
    使用hough transform 检测图像中的直线代码。 用了两种方法,一种是opencv里提供的函数,另一种是根据公式从基础开始编的(有利于学习算法原理)。
  • Unity Shader TRANSFORM_TEX()方法解析

    千次阅读 2021-11-16 10:06:36
    TRANSFORM_TEX方法解析前言解析 前言 在顶点着色器的模板代码里,我们经常可以看到TRANSFORM_TEX()方法的身影,如以下代码 v2f vert(a2v v) { v2f o; o.pos = UnityObjectToClipPos(v.pos); o.uv = TRANSFORM_...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 236,640
精华内容 94,656
关键字:

transform的方法有哪些