Datannormalisering är ett avgörande förbehandlingssteg för många klusteralgoritmer, inklusive K-means. Funktioner i verkliga datamängder har ofta olika skalor och enheter. Algoritmer som är beroende av avståndsberäkningar, såsom K-means, kan påverkas kraftigt av funktioner med större skalor. Normalisering syftar till att föra alla funktioner till en liknande skala, vilket förhindrar att funktioner med större värden dominerar klustringsprocessen.

StandardScaler

StandardScaler standardiserar funktioner genom att ta bort medelvärdet och skala till enhetsvarians. Den transformerar data så att den får ett medelvärde på 0 och en standardavvikelse på 1. Detta uppnås genom att subtrahera medelvärdet och dividera med standardavvikelsen för varje funktion.

StandardScaler är effektiv när din data är ungefär normalfördelad. Den används ofta och är ofta en bra standardmetod för normalisering för många algoritmer.

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
features = df[['feature1', 'feature2']]

df[['feature1', 'feature2']] = scaler.fit_transform(features)

MinMaxScaler

MinMaxScaler skalar funktioner till ett specifikt intervall, vanligtvis mellan 0 och 1. Den transformerar data genom att skala och förskjuta varje funktion individuellt så att den hamnar inom det angivna intervallet.

MinMaxScaler är användbar när du behöver värden inom ett specifikt intervall, eller när din data inte är normalfördelad. Den bevarar formen på ursprungsfördelningen, men skalar till det nya intervallet.

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
features = df[['feature1', 'feature2']]

df[['feature1', 'feature2']] = scaler.fit_transform(features)

Valet mellan StandardScaler och MinMaxScaler beror på din data och den specifika algoritmen. StandardScaler föredras ofta för algoritmer som K-means när funktionerna är ungefär normalfördelade. MinMaxScaler kan vara användbar när du behöver begränsade värden eller när data inte är normalfördelad.