StandardScaler 变换后可接受的均值和标准差偏移量是多少？
What is the acceptable offset for mean and standard deviation after StandardScaler transform?
我正在使用 sklearn StandardScaler 来 transform/normalize 数据，如下：
scaler = StandardScaler()
data = scaler.fit_transform(data)
我期望平均值为 0，标准差为 1。但是，我得到的值是位不同。
rnd = randrange(0, data.shape[1])
print(data[:,rnd].std())
print(data[:,rnd].mean())
1.0282903146389404
-0.06686584736835668
好像；但是，不确定可接受的偏移量是多少。例如，+/- 1e-2，正如我得到的那样，是否足够接近？或者我应该担心？
您正在为 data 变量使用 fit_transform。这意味着，现在，您的所有数据都将按照均值 0 和标准差 1 的形状进行归一化。如下图所示：
您接下来要做的是，随机获取您的数据变量的一些样本。因此，您收集的新样本几乎完全相同，但是，由于存在随机参数，均值和标准差将与您的数据不同。
为了进行比较，假设我们有人类身高的平均值和标准差。如果我们现在对您所在国家/地区的身高进行小样本抽样，则平均值和标准差不会完全相同，但差不多。就是这个意思。
确定如果您检查数据变量的均值和标准差，您将获得均值 0 和标准差 1。
我正在使用 sklearn StandardScaler 来 transform/normalize 数据，如下：
scaler = StandardScaler()
data = scaler.fit_transform(data)
我期望平均值为 0，标准差为 1。但是，我得到的值是位不同。
rnd = randrange(0, data.shape[1])
print(data[:,rnd].std())
print(data[:,rnd].mean())
1.0282903146389404
-0.06686584736835668
好像+/- 1e-2，正如我得到的那样，是否足够接近？或者我应该担心？
您正在为 data 变量使用 fit_transform。这意味着，现在，您的所有数据都将按照均值 0 和标准差 1 的形状进行归一化。如下图所示：
您接下来要做的是，随机获取您的数据变量的一些样本。因此，您收集的新样本几乎完全相同，但是，由于存在随机参数，均值和标准差将与您的数据不同。
为了进行比较，假设我们有人类身高的平均值和标准差。如果我们现在对您所在国家/地区的身高进行小样本抽样，则平均值和标准差不会完全相同，但差不多。就是这个意思。
确定如果您检查数据变量的均值和标准差，您将获得均值 0 和标准差 1。