데이터 모델링 하기 전 스케일링을 통해 다차원 값들을 비교, 분석하기 용이하게 만들어 주며, 자료의 Overflow, Underflow 방지할 수 있음! 독립 변수의 공분산 행렬의 조건수 감소시켜 최적화 과정에서 안전성 및 수렴 속도 향상도 가능!
from sklearn.preprocessing import StandardScaler
std_scale = Standard().fit_transform(df)
scaled_frame = pd.DataFrame(std_scale, columns=df.columns)
scaled_frame.head() # check
from sklearn.preprocessing import MinMaxScaler
minmax_scale = MinMaxScaler().fit_transform(df)
scaled_frame = pd.DataFrame(minmax_scale, columns=df.columns)
scaled_frame.head() # check
from sklearn.preprocessing import MaxAbsScaler
maxabs_scale = MaxAbsScaler().fit_transform(df)
scaled_frame = pd.DataFrame(maxabs_scale,columns=df.columns)
scaled_frame.haed() # check
from sklearn.preprocessing import RobustScaler
robust_scale = RobustScaler().fit_transform(df)
scaled_frame = pd.DataFrame(robust_scale,columns=df.columns)
scaled_frame.haed() # check