python - Pandas groupby + scikit 学习电源变压器
问题描述
作为我在 Pandas DataFrame 中的 Multiple distribution normality testing and transformation 中的问题的后续,我从 scikit learn 中找到了有关电源变压器功能的信息。
https://scikit-learn.org/stable/auto_examples/preprocessing/plot_map_data_to_normal.html
让我们考虑一个大型零售网络(数百种产品和数千家商店)中的销售简化如下: - 商店 1,商店 2 - 产品 A,产品 B,产品 C
我想通过运行需要对所有分布进行标准化的参数测试来检测销售水平的异常情况。
我试图通过一组函数使 Power Transformer 函数工作,以尽可能有效地规范所有分布,但无济于事。
数据实际上包含一些负值,所以我决定使用允许负值的 Yeo-Johnson 参数。
我尝试了以下方法:
from sklearn.preprocessing import PowerTransformer
yj = PowerTransformer(method='yeo-johnson')
df['ScaledSales'] = df.groupby(['Store', 'Product'])['Sales'].transform(lambda x: yj.fit(x))
这返回了一个错误。“预期的二维数组,而是一维数组。如果您的数据具有单个特征,则使用 array.reshape(-1, 1) 或 array.reshape(1, -1) 如果它包含单个样本,则使用 array.reshape(1, -1) 重塑您的数据。
我还尝试使用它声明一个函数,使用 pandas .to_transform() 将销售值列表转换为可以被视为 2D 数据集的数据框,但它返回了相同的错误:
def scale (x):
x.to_frame()
yj.fit(x)
yj.transform(x)
df['ScaledSales'] = df.groupby(['Store','Product'])['Sales'].transform(scale)
理想情况下,我希望在数据框中添加一个 ScaledSales 列,该列包含由 PowerTransformer 基于商店 + 产品组按功能缩放的值,从而规范每个商店 + 产品组合的销售分布。
据我对 PowerTransformer 的了解,这应该是可能的,对吧?
谢谢您的帮助。
解决方案
假设你的 df 是这样的
import pandas as pd
import numpy as np
np.random.seed(1)
df = pd.DataFrame({
'Store': ['Store 1', 'Store 2'] * 50,
'Product': ['Product A', 'Product B', 'Product C', 'Product D'] * 25,
'Sales': [int(x) for x in np.random.randn(100)*10000]
})
df
Store Product Sales
0 Store 1 Product A 16243
1 Store 2 Product B -6117
2 Store 1 Product C -5281
3 Store 2 Product D -10729
4 Store 1 Product A 8654
.. ... ... ...
95 Store 2 Product D 773
96 Store 1 Product A -3438
97 Store 2 Product B 435
98 Store 1 Product C -6200
99 Store 2 Product D 6980
[100 rows x 3 columns]
创建您的分组df:
df_groupby = df.groupby(['Store', 'Product']).agg(Sales_sum=('Sales', 'sum')).reset_index()
df_groupby
Store Product Sales_sum
0 Store 1 Product A 8696
1 Store 1 Product C 60152
2 Store 2 Product B -24319
3 Store 2 Product D 16054
然后重塑您的数据并规范化
from sklearn.preprocessing import PowerTransformer
yj = PowerTransformer(method='yeo-johnson')
data = np.array(df_groupby['Sales_sum'])
reshaped_data = np.array(data).reshape(-1, 1)
print(yj.fit(reshaped_data))
print(yj.lambdas_)
print(yj.transform(reshaped_data))
PowerTransformer(copy=True, method='yeo-johnson', standardize=True)
[0.99939608]
[[-0.21109932]
[ 1.49251682]
[-1.31406424]
[ 0.03264674]]
推荐阅读
- sql - 用于从一张表中获取少量内容的 SQL 查询
- java - 通过新加载的类对静态变量所做的更改似乎没有应用。(爪哇)
- node.js - NODE_MODULE_VERSION 46. 这个版本的 Node.js 需要 NODE_MODULE_VERSION 64. 请尝试重新编译或重新安装
- javascript - 类方法不会覆盖类字段
- redis - 如何使用 go-redis 运行 SENTINEL slaves 命令?
- javascript - 当位于区域上方时,如何将多个项目独立地拖放到某个位置?
- javascript - 在 React 应用程序中对状态变化的 SVG 线进行动画处理
- apache-spark - Pyspark 中的并行处理
- asp.net - 在我的下拉列表中添加一个额外的选项“全部”
- sql - 连接到 AD 的奇怪错误 - visual basic