为什么Python中sklearn.preprocessing.StandardScaler的标准化方法与Matlab中的zscore不同？

Python中使用sklearn.preprocessing的示例：

>>> from sklearn.preprocessing import StandardScaler>>> data = [[0, 0], [0, 0], [1, 1], [1, 1]]>>> scaler = StandardScaler()>>> scaler.fit(data)>>> print(scaler.mean_)    [ 0.5  0.5]>>> print(scaler.var_)    [0.25 0.25]>>> print(scaler.transform(data))[[-1. -1.][-1. -1.][ 1.  1.][ 1.  1.]]

Matlab中使用zscore函数的相同示例：

>> data = [[0, 0]; [0, 0]; [1, 1]; [1, 1]];>> [Sd_data,mean,stdev] = zscore(data)    Sd_data =   -0.8660   -0.8660   -0.8660   -0.8660    0.8660    0.8660    0.8660    0.8660    mean =    0.5000    0.5000    stdev =    0.5774    0.5774    

回答：

看起来问题出在自由度（ddof – 与标准差估计相关的校正因子），它在StandardScaler中默认值为0。

作为替代方案，scipy.stats中的zscore函数允许你在缩放时控制这个参数：

from scipy.stats import zscorezscore(data, ddof=1)array([[-0.8660254, -0.8660254],       [-0.8660254, -0.8660254],       [ 0.8660254,  0.8660254],       [ 0.8660254,  0.8660254]])

这样你得到的结果与Matlab函数相同。当你调用zscore并设置ddof=0时，你会得到与StandardScaler相同的结果。