如何使用 MinMaxScaler() 将规范化应用于所有列，但排除分类？
How to apply Normalisation using the MinMaxScaler() to all Columns, but Exclude the Categorical?
我刚开始使用 MinMaxScaler，所以如果这是一个非常非常简单的问题，请不要咬我的脑袋。下面，我有以下数据集：
sample_df.head(2)
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH SPECIES
-------------------------------------------------------------------
1 3.5 2.5 5.6 1.7 VIRGINICA
2 4.5 5.6 3.4 8.7 SETOSA
因此，如何使用下面的代码对我的所有列（不包括 ID 和 SPECIES 列）将规范化应用于此数据集？
我基本上想使用 preprocessing.MinMaxScaler() 应用归一化，以便所有特征都在 0 和 1 的范围内。
这是我正在使用的代码...
min_max = preprocessing.MinMaxScaler()
min_max.fit_transform(sample_df)
...但是当我执行它时，我得到这个错误：
ValueError: could not convert string to float: 'SETOSA'
非常感谢任何有关如何完成我想做的事情的帮助！
此外，如果这是一个非常愚蠢的问题，我深表歉意，但我是新手。
谢谢！
编辑（显示错误）：
或者，如果我这样做...
min_max = preprocessing.MinMaxScaler()
min_max.fit_transform(sample_df[['S_LENGTH', 'S_WIDTH']])
sample_df.head(2)
...我收到此错误：
AttributeError: 'numpy.ndarray' object has no attribute 'sample'
我怀疑这是否会有帮助，但是您可以通过以下方式获得 numeric 列：
num_df = df[[i for i in df.columns if df[i].dtypes != 'O']]
num_df
Out[126]:
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH
0 1 3.5 2.5 5.6 1.7
1 2 4.5 5.6 3.4 8.7
然后在上面应用 MinMaxScaler:
min_max = preprocessing.MinMaxScaler()
min_max.fit_transform(num_df)
Out[129]:
array([[0., 0., 0., 1., 0.],
[1., 1., 1., 0., 1.]])
编辑：
使用你的 df:
df
Out[162]:
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH SPECIES
0 1 3.5 2.5 5.6 1.7 VIRGINICA
1 2 4.5 5.6 3.4 8.7 SETOSA
使用以下代码：
num_df = min_max.fit_transform(pd.DataFrame((df[[i for i in df.columns if df[i].dtypes != 'O']])))
num_df.columns = [i for i in df.columns if df[i].dtypes != 'O']
cat_df = (df[[i for i in df.columns if df[i].dtypes == 'O']])
res = pd.merge(num_df,cat_df,left_index=True,right_index=True)
这会给你：
print(res)
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH SPECIES
0 0.0 0.0 0.0 1.0 0.0 VIRGINICA
1 1.0 1.0 1.0 0.0 1.0 SETOSA
逐行尝试代码，如果这是您需要的，请告诉我。
我刚开始使用 MinMaxScaler，所以如果这是一个非常非常简单的问题，请不要咬我的脑袋。下面，我有以下数据集：
sample_df.head(2)
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH SPECIES
-------------------------------------------------------------------
1 3.5 2.5 5.6 1.7 VIRGINICA
2 4.5 5.6 3.4 8.7 SETOSA
因此，如何使用下面的代码对我的所有列（不包括 ID 和 SPECIES 列）将规范化应用于此数据集？
我基本上想使用 preprocessing.MinMaxScaler() 应用归一化，以便所有特征都在 0 和 1 的范围内。
这是我正在使用的代码...
min_max = preprocessing.MinMaxScaler()
min_max.fit_transform(sample_df)
...但是当我执行它时，我得到这个错误：
ValueError: could not convert string to float: 'SETOSA'
非常感谢任何有关如何完成我想做的事情的帮助！
此外，如果这是一个非常愚蠢的问题，我深表歉意，但我是新手。
谢谢！
编辑（显示错误）：
或者，如果我这样做...
min_max = preprocessing.MinMaxScaler()
min_max.fit_transform(sample_df[['S_LENGTH', 'S_WIDTH']])
sample_df.head(2)
...我收到此错误：
AttributeError: 'numpy.ndarray' object has no attribute 'sample'
我怀疑这是否会有帮助，但是您可以通过以下方式获得 numeric 列：
num_df = df[[i for i in df.columns if df[i].dtypes != 'O']]
num_df
Out[126]:
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH
0 1 3.5 2.5 5.6 1.7
1 2 4.5 5.6 3.4 8.7
然后在上面应用 MinMaxScaler:
min_max = preprocessing.MinMaxScaler()
min_max.fit_transform(num_df)
Out[129]:
array([[0., 0., 0., 1., 0.],
[1., 1., 1., 0., 1.]])
编辑：
使用你的 df:
df
Out[162]:
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH SPECIES
0 1 3.5 2.5 5.6 1.7 VIRGINICA
1 2 4.5 5.6 3.4 8.7 SETOSA
使用以下代码：
num_df = min_max.fit_transform(pd.DataFrame((df[[i for i in df.columns if df[i].dtypes != 'O']])))
num_df.columns = [i for i in df.columns if df[i].dtypes != 'O']
cat_df = (df[[i for i in df.columns if df[i].dtypes == 'O']])
res = pd.merge(num_df,cat_df,left_index=True,right_index=True)
这会给你：
print(res)
ID S_LENGTH S_WIDTH P_LENGTH P_WIDTH SPECIES
0 0.0 0.0 0.0 1.0 0.0 VIRGINICA
1 1.0 1.0 1.0 0.0 1.0 SETOSA
逐行尝试代码，如果这是您需要的，请告诉我。