<\/p>\n
Vaak wil je misschien de datawaarden van een of meer kolommen in een pandas DataFrame normaliseren<\/strong> .<\/span><\/p>\n In deze zelfstudie worden twee manieren uitgelegd om dit te doen:<\/span><\/p>\n 1. Min-Max-normalisatie<\/strong><\/span><\/p>\n 2. Gemiddelde normalisatie<\/strong><\/span><\/p>\n Laten we een voorbeeld bekijken van hoe u elke methode op een Panda DataFrame kunt gebruiken.<\/span><\/p>\n Stel dat we de volgende panda’s DataFrame hebben:<\/span><\/p>\n We kunnen de volgende code gebruiken om min-max-normalisatie toe te passen op elke kolom van het DataFrame:<\/span><\/p>\n De maximale waarde in elke kolom is nu 1<\/strong> en de minimale waarde in elke kolom is nu 0<\/strong> , met alle andere waarden tussen 0 en 1.<\/span><\/p>\n Laten we opnieuw aannemen dat we de volgende panda’s DataFrame hebben:<\/span><\/p>\n We kunnen de volgende code gebruiken om gemiddelde normalisatie toe te passen op elke kolom in het DataFrame:<\/span><\/p>\n De waarden in elke kolom zijn nu zodanig genormaliseerd dat het gemiddelde van de waarden in elke kolom 0 is en de standaardafwijking van de waarden in elke kolom 1 is.<\/span><\/p>\n Als een bepaald gegevenspunt een genormaliseerde waarde groter dan 0 heeft, geeft dit aan dat het gegevenspunt groter is dan het gemiddelde van de bijbehorende kolom. Omgekeerd geeft een genormaliseerde waarde kleiner dan 0 aan dat het gegevenspunt onder het gemiddelde van de kolom ligt.<\/span><\/p>\n Panda’s: hoe te groeperen en aggregeren over meerdere kolommen<\/a> Vaak wil je misschien de datawaarden van een of meer kolommen in een pandas DataFrame normaliseren . In deze zelfstudie worden twee manieren uitgelegd om dit te doen: 1. Min-Max-normalisatie Doel: Converteert elke gegevenswaarde naar een waarde tussen 0 en 1. Formule: Nieuwe waarde = (waarde \u2013 min) \/ (max \u2013 min) 2. Gemiddelde normalisatie […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-985","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
Voorbeeld 1: min-max-normalisatie<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'points': [25, 12, 15, 14, 19],\n 'assists': [5, 7, 7, 9, 12],\n 'rebounds': [11, 8, 10, 6, 6]}) \n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n points assists rebounds\n0 25 5 11\n1 12 7 8\n2 15 7 10\n3 14 9 6\n4 19 12 6\n<\/strong><\/pre>\n (df-df. min<\/span> ())\/(df. max<\/span> ()-df. min<\/span> ())\n\n points assists rebounds\n0 1.000000 0.000000 1.0\n1 0.000000 0.285714 0.4\n2 0.230769 0.285714 0.8\n3 0.153846 0.571429 0.0\n4 0.538462 1.000000 0.0\n<\/strong><\/pre>\n Voorbeeld 2: gemiddelde normalisatie<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'points': [25, 12, 15, 14, 19],\n 'assists': [5, 7, 7, 9, 12],\n 'rebounds': [11, 8, 10, 6, 6]}) \n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n points assists rebounds\n0 25 5 11\n1 12 7 8\n2 15 7 10\n3 14 9 6\n4 19 12 6\n<\/strong><\/pre>\n (df- df.mean<\/span> ())\/df. std<\/span> ()\n\n points assists rebounds\n0 1.554057 -1.133893 1.227881\n1 -0.971286 -0.377964 -0.087706\n2 -0.388514 -0.377964 0.789352\n3 -0.582772 0.377964 -0.964764\n4 0.388514 1.511858 -0.964764\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u een Pandas DataFrame op meerdere voorwaarden kunt filteren<\/a>
Hoe ontbrekende waarden in een Pandas DataFrame te tellen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"