将数据映射到正态分布

简介

本实验展示了如何通过 PowerTransformer 使用 Box-Cox 和 Yeo-Johnson 变换，将来自各种分布的数据映射到正态分布。

虚拟机使用提示

虚拟机启动完成后，点击左上角切换到“笔记本”标签，以访问 Jupyter Notebook 进行练习。

有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。

如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们会及时为你解决问题。

导入库

首先，我们需要导入必要的库：numpy、matplotlib、PowerTransformer、QuantileTransformer 和 train_test_split。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import PowerTransformer
from sklearn.preprocessing import QuantileTransformer
from sklearn.model_selection import train_test_split

设置常量

我们将设置样本数量、字体大小和 bins 的常量。

N_SAMPLES = 1000
FONT_SIZE = 6
BINS = 30

创建随机分布

我们将生成六种不同的概率分布：对数正态分布、卡方分布、威布尔分布、高斯分布、均匀分布和双峰分布。

rng = np.random.RandomState(304)
bc = PowerTransformer(method="box-cox")
yj = PowerTransformer(method="yeo-johnson")
qt = QuantileTransformer(n_quantiles=500, output_distribution="normal", random_state=rng)
size = (N_SAMPLES, 1)

## 对数正态分布
X_lognormal = rng.lognormal(size=size)

## 卡方分布
df = 3
X_chisq = rng.chisquare(df=df, size=size)

## 威布尔分布
a = 50
X_weibull = rng.weibull(a=a, size=size)

## 高斯分布
loc = 100
X_gaussian = rng.normal(loc=loc, size=size)

## 均匀分布
X_uniform = rng.uniform(low=0, high=1, size=size)

## 双峰分布
loc_a, loc_b = 100, 105
X_a, X_b = rng.normal(loc=loc_a, size=size), rng.normal(loc=loc_b, size=size)
X_bimodal = np.concatenate([X_a, X_b], axis=0)

创建图表

现在，我们将为这六种分布中的每一种创建图表，展示原始分布以及使用 Box-Cox、Yeo-Johnson 和分位数变换器进行变换后的分布。

distributions = [
    ("Lognormal", X_lognormal),
    ("Chi-squared", X_chisq),
    ("Weibull", X_weibull),
    ("Gaussian", X_gaussian),
    ("Uniform", X_uniform),
    ("Bimodal", X_bimodal),
]

colors = ["#D81B60", "#0188FF", "#FFC107", "#B7A2FF", "#000000", "#2EC5AC"]

fig, axes = plt.subplots(nrows=8, ncols=3, figsize=plt.figaspect(2))
axes = axes.flatten()
axes_idxs = [
    (0, 3, 6, 9),
    (1, 4, 7, 10),
    (2, 5, 8, 11),
    (12, 15, 18, 21),
    (13, 16, 19, 22),
    (14, 17, 20, 23),
]
axes_list = [(axes[i], axes[j], axes[k], axes[l]) for (i, j, k, l) in axes_idxs]

for distribution, color, axes in zip(distributions, colors, axes_list):
    name, X = distribution
    X_train, X_test = train_test_split(X, test_size=0.5)

    ## 执行幂变换和分位数变换
    X_trans_bc = bc.fit(X_train).transform(X_test)
    lmbda_bc = round(bc.lambdas_[0], 2)
    X_trans_yj = yj.fit(X_train).transform(X_test)
    lmbda_yj = round(yj.lambdas_[0], 2)
    X_trans_qt = qt.fit(X_train).transform(X_test)

    ax_original, ax_bc, ax_yj, ax_qt = axes

    ax_original.hist(X_train, color=color, bins=BINS)
    ax_original.set_title(name, fontsize=FONT_SIZE)
    ax_original.tick_params(axis="both", which="major", labelsize=FONT_SIZE)

    for ax, X_trans, meth_name, lmbda in zip(
        (ax_bc, ax_yj, ax_qt),
        (X_trans_bc, X_trans_yj, X_trans_qt),
        ("Box-Cox", "Yeo-Johnson", "分位数变换"),
        (lmbda_bc, lmbda_yj, None),
    ):
        ax.hist(X_trans, color=color, bins=BINS)
        title = "After {}".format(meth_name)
        if lmbda is not None:
            title += "\n$\\lambda$ = {}".format(lmbda)
        ax.set_title(title, fontsize=FONT_SIZE)
        ax.tick_params(axis="both", which="major", labelsize=FONT_SIZE)
        ax.set_xlim([-3.5, 3.5])

plt.tight_layout()
plt.show()

总结

在本实验中，我们学习了如何使用 PowerTransformer 通过 Box-Cox 和 Yeo-Johnson 变换将来自各种分布的数据映射到正态分布。我们还学习了如何使用 QuantileTransformer 将任何任意分布强制转换为高斯分布。在变换前后对数据进行可视化很重要，因为某些变换可能对某些数据集无效。