我有数据，数据框的名称为Table，Table包含15个要素，我只想将3个要素归一化为数字数据，这些要素的名称为'rate'，'cost'和'Total费用”。请问我该如何解决？
我尝试通过使用过滤条件来提取所需的功能 Table.loc [：，['rate'，cost'，total cost']并传递给column_trans
来自sklearn.compose导入ColumnTransformer
从sklearn.preprocessing导入StandarScaler
column_trans = ColumnTransformer（
[('scaler', StandardScaler(),Table.loc[:,['rate','cost','Totalcost']]
remainder='passthrough')
column_trans.fit_transform（X）
我希望归一化特征的值在0到1之间。
但是我收到以下错误消息。
文件“”，第5行 余数='passthrough'） ^ SyntaxError：语法无效
答案 0 :(得分：0)
您可以尝试
from sklearn.preprocessing import normalize
continuous_columns = ['rate','cost','Totalcost']
continuous_data= Table.loc[:, continuous_columns]
continuous_data['rate']= continuous_data['rate'].astype(float)
continuous_data['cost']= continuous_data['cost'].astype(float)
continuous_data['Totalcost']= continuous_data['Totalcost'].astype(float)
normalized_data = normalize(continuous_data)
normalized_data_df =pd.DataFrame(normalized_data , columns=continuous_columns)
Table = Table.drop(continuous_columns, axis=1)
Final_data = pd.concat([Table, normalized_data_df ], axis=1)
现在Final_data包含您要查找的内容。
希望这会有所帮助！
答案 1 :(得分：0)
明智的贡献@ Parthasarathy，我注意到其中一项功能具有NAN值 而另一个功能是整数，因此我将Nan值转换为0，并将astype应用于该整数功能。我应用了以下代码：
从sklearn.preprocessing导入归一化
continuous_columns = ['rate'，'cost'，'Totalcost']
continuous_data =电信[continuous_columns]
continuous_data ['rate'] = Continuous_data ['rate']。astype（float）
normalized_data = normalize（continuous_data）