Нормалізація даних — це важливий етап попередньої обробки для багатьох алгоритмів кластеризації, зокрема K-means. Ознаки у реальних наборах даних часто мають різні масштаби та одиниці вимірювання. Алгоритми, що залежать від обчислення відстані, такі як K-means, можуть сильно залежати від ознак з більшими масштабами. Нормалізація дозволяє привести всі ознаки до подібного масштабу, запобігаючи домінуванню ознак з більшими значеннями у процесі кластеризації.

StandardScaler

StandardScaler стандартизує ознаки шляхом віднімання середнього значення та масштабування до одиничної дисперсії. Він перетворює дані так, що вони мають середнє 0 та стандартне відхилення 1. Це досягається шляхом віднімання середнього значення та ділення на стандартне відхилення для кожної ознаки.

StandardScaler ефективний, коли ваші дані приблизно нормально розподілені. Він широко використовується та часто є гарним методом нормалізації за замовчуванням для багатьох алгоритмів.

from sklearn.preprocessing import StandardScaler

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

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

MinMaxScaler

MinMaxScaler масштабує ознаки до певного діапазону, зазвичай між 0 та 1. Він перетворює дані шляхом масштабування та зсуву кожної ознаки окремо так, щоб вона знаходилася у заданому діапазоні.

MinMaxScaler корисний, коли потрібні значення у конкретному діапазоні або коли дані не мають нормального розподілу. Він зберігає форму оригінального розподілу, лише масштабує її до нового діапазону.

from sklearn.preprocessing import MinMaxScaler

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

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

Вибір між StandardScaler та MinMaxScaler залежить від ваших даних і конкретного алгоритму. StandardScaler часто віддають перевагу для алгоритмів, таких як K-means, коли ознаки приблизно нормально розподілені. MinMaxScaler може бути корисним, коли потрібні обмежені значення або коли дані не мають нормального розподілу.