我有一个数据框:
df = pd.DataFrame({'Company': ['abc', 'xyz', 'def'], 'Q1-2019': [9.05, 8.64, 6.3],'Q2-2019': [8.94, 8.56, 7.09],'Q3-2019': [8.86, 8.45, 7.09],'Q4-2019': [8.34, 8.61, 7.25]})这些数据是针对同一问题在四个季度内的平均回应。
我试图从这些数据中创建一个基准指数。为此，我想先对数据进行预处理，使用标准化或归一化方法。
如何对整个数据框进行标准化/归一化处理？有什么最佳方法可以实现这一点？
我可以对一行或一列进行处理，但对整个数据框进行处理时遇到了困难。
from sklearn.preprocessing import StandardScalerfrom sklearn.preprocessing import MinMaxScaler#define scalerscaler = MinMaxScaler() #or StandardScalerX = df.loc[1].TX = X.to_numpy()#transform datascaled = scaler.fit_transform(X)回答：
如果我正确理解了你的需求，你可以使用ColumnTransformer来对不同的列应用相同的转换（例如缩放）。
正如你从链接的文档中可以看到，你需要在元组中提供:
- 步骤的名称
- 选择的转换器（例如
StandardScaler）或Pipeline - 应用所选转换的列列表
代码示例
# 指定列columns = ['Q1-2019', 'Q2-2019', 'Q3-2019', 'Q4-2019']# 创建ColumnTransformer实例ct = ColumnTransformer([ ('scaler', StandardScaler(), columns)])# 拟合和转换输入数据框ct.fit_transform(df)array([[ 0.86955718, 0.93177476, 0.96056682, 0.46493449], [ 0.53109031, 0.45544147, 0.41859563, 0.92419906], [-1.40064749, -1.38721623, -1.37916245, -1.38913355]])ColumnTransformer将输出一个包含转换值的numpy数组，这些值是在输入数据集df上拟合的。尽管现在没有列名，但数组列仍然按输入数据框的顺序排列，因此如果需要的话，很容易将数组转换为pandas数据框。
