为什么在聚类之前跨越行而不是列来标准化(预处理)数据

Question

对于以下有关数据预处理聚类的问题，我非常困惑，在互联网上找不到令人信服的答案。

根据Python 文档，当我们在sckit学习库中使用内置命令进行预处理时，假设数据被表示为N x D矩阵，其中行是示例，列是特性，我们使行间的平均值为零，同时行间的标准差是一致的，如下所示：

X_scaled.mean(axis=0)
array([ 0.,  0.,  0.])

X_scaled.std(axis=0)
array([ 1.,  1.,  1.])

我的问题是，我们不应该使横列的平均值(特征而不是样本)为零，对于标准差也是一样的，因为我们试图标准化特征，而不是样本。网站和其他资源总是跨行标准化，但它们从来没有解释为什么？

Answer 1

我预计您会希望对给定特性的值进行规范化，跨样例。如果您对给定样本的数据进行了标准化处理，那么您就会抛出大量信息。这将用于比较特性(这很少有意义)，而不是比较一个特性的样本。

我不知道numpy或sklearn，所以用一点盐来理解它，但是在规范化时，您希望(使用相同的参数)对给定特性的所有数据进行规范化，将该特性的所有值都纳入(-1 . +1)的范围内，平均值为0(或类似的值)。您将对每个特性分别执行此操作，因此它们最终都在该范围内，每个特性的平均值为零。

考虑一个例子，如果您跨给定样本的所有特性进行标准化。

        height weight age
person1 180    65     50
person2 140    45     50

如果我们跨特性对person1的值进行规范化，那么对person2也这样做，那么person2似乎有一个与person1不同的时代！

如果我们对给定列的样本进行规范化，那么这种关系仍然有效。他们的年龄将相仿；person1将更高，person2将更轻。但是，所有特性的所有值都符合后续分析所需的分布规则。

Answer 2

有个地方可以让你的样品正常化。一个例子是当您的功能是计数的时候。在这种情况下，将每个样本规范化为单元L1-范数有效地将每个特性更改为该样本总计数的百分比。

Sklearn的Normalizer是为样本规范化而制作的，并且可以规范为l1或l2规范。

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.Normalizer.html