Нормализация/масштабирование кадра данных в определенном диапазоне

У меня есть следующий фрейм данных:

pd.DataFrame({'DateTime': {0: Timestamp('2022-02-08 00:00:00'),
  1: Timestamp('2022-02-08 00:10:00'),
  2: Timestamp('2022-02-08 00:20:00'),
  3: Timestamp('2022-02-08 00:30:00'),
  4: Timestamp('2022-02-08 00:40:00')},
 'wind power [W]': {0: 83.9, 1: 57.2, 2: 58.2, 3: 48.0, 4: 69.5}})

             DateTime  wind power [W]
0 2022-02-08 00:00:00            83.9
1 2022-02-08 00:10:00            57.2
2 2022-02-08 00:20:00            58.2
3 2022-02-08 00:30:00            48.0
4 2022-02-08 00:40:00            69.5

Как видите, 83,9 — это максимальное значение во втором столбце, а 48,0 — минимальное значение. Я хочу нормализовать эти значения в диапазоне между 0,6 и 8.4, чтобы 83,9 превратились в 8,4, а 48,0 — в 0,6. Остальные числа окажутся где-то посередине. Пока мне удалось только нормализовать столбец до диапазона 0-1 с помощью кода:

df['normalized'] = (df['wind power [W]']-df['wind power [W]'].min())/(df['wind power [W]'].max()-df['wind power [W]'].min())

Я не знаю, как дальше поступить, чтобы получить эти числа в желаемом диапазоне. Может кто-то мне помочь, пожалуйста?

python scaling dataframe normalize pandas

09.04.2022 17:23

Анализ настроения постов в Twitter с помощью Python, Tweepy и Flair

Анализ настроения текстовых сообщений может быть настолько сложным или простым, насколько вы его сделаете. Как и в любом ML-проекте, вы можете выбрать...

7 лайфхаков для начинающих Python-программистов

В этой статье мы расскажем о хитростях и советах по Python, которые должны быть известны разработчику Python.

Установка Apache Cassandra на Mac OS

Это краткое руководство по установке Apache Cassandra.

Сертификатная программа "Кванты Python": Бэктестер ансамблевых методов на основе ООП

В одном из недавних постов я рассказал о том, как я использую навыки количественных исследований, которые я совершенствую в рамках программы TPQ...

Создание персонального файлового хранилища

Вы когда-нибудь хотели поделиться с кем-то файлом, но он содержал конфиденциальную информацию? Многие думают, что электронная почта безопасна, но это...

Создание приборной панели для анализа данных на GCP - часть I

Недавно я столкнулся с интересной бизнес-задачей - визуализацией сбоев в цепочке поставок лекарств, которую могут просматривать врачи и...

Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

Мы можем использовать MinMaxScaler для масштабирования функций, MinMaxScaler поддерживает параметр с именем feature_range, который позволяет нам указать желаемый диапазон преобразованных данных.

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0.6, 8.4))
df['normalized'] = scaler.fit_transform(df['wind power [W]'].values[:, None])

В качестве альтернативы, если вы не хотите использовать MinMaxScaler, вот способ масштабирования данных только в пандах:

w = df['wind power [W]'].agg(['min', 'max'])
norm = (df['wind power [W]'] - w['min']) / (w['max'] - w['min'])
df['normalized'] = norm * (8.4 - 0.6) + 0.6

print(df)

             DateTime  wind power [W]  normalized
0 2022-02-08 00:00:00            83.9    8.400000
1 2022-02-08 00:10:00            57.2    2.598886
2 2022-02-08 00:20:00            58.2    2.816156
3 2022-02-08 00:30:00            48.0    0.600000
4 2022-02-08 00:40:00            69.5    5.271309

Большое спасибо! Ваше решение работает отлично.

— 09.04.2022 17:40

09.04.2022 17:34

Вы можете использовать определение масштабирование функций из Википедии, если не хотите использовать sklearn:

a = 0.6
b = 8.4
x = df['wind power [W]']

df['normalized'] = a + (x - x.min()) * (b - a) / (x.max() - x.min())
print(df)

# Output
             DateTime  wind power [W]  normalized
0 2022-02-08 00:00:00            83.9    8.400000
1 2022-02-08 00:10:00            57.2    2.598886
2 2022-02-08 00:20:00            58.2    2.816156
3 2022-02-08 00:30:00            48.0    0.600000
4 2022-02-08 00:40:00            69.5    5.271309

Благодарю вас! Это была формула, которую я искал.

— 09.04.2022 17:47

09.04.2022 17:40