本篇文章给大家带来的内容是关于python中预处理以及热图的简单介绍，有一定的参考价值，有需要的朋友可以参考一下，希望对你有所帮助。
在数据分析当中的东西还是很多的，我在这里只是启发式的介绍一下，了解到这方面的东西之后，使用的时候可以更快的找到解决办法，希望能对大家有所帮助。
这次，依然是使用的sklearn中的iris数据集，对其进行通过热图来展示。
预处理
sklearn.preprocessing是机器学习库中预处理的模块，可以对数据进行标准化处理，正则化等等，根据需求来使用。在这里利用它的标准化方法对数据进行整理。其他的方法可以自行查询。
立即学习“Python免费学习笔记（深入）”；
Standardization标准化:将特征数据的分布调整成标准正态分布，也叫高斯分布，也就是使得数据的均值为0，方差为1。
标准化的原因在于如果有些特征的方差过大，则会主导目标函数从而使参数估计器无法正确地去学习其他特征。
标准化的过程为两步：去均值的中心化（均值变为0）；方差的规模化（方差变为1）。
在sklearn.preprocessing中提供了一个scale的方法，可以实现以上功能。
下面举个例子来看一下：
from sklearn import preprocessing
import numpy as np
# 创建一组特征数据，每一行表示一个样本，每一列表示一个特征
xx = np.array([[1., -1., 2.],
[2., 0., 0.],
[0., 1., -1.]])
# 将每一列特征标准化为标准正太分布，注意，标准化是针对每一列而言的
xx_scale = preprocessing.scale(xx)
xx_scale经过对每列数据进行标准化处理之后的结果是：
array([[ 0. , -1.22474487, 1.33630621],
[ 1.22474487, 0. , -0.26726124124],
[-1.22474487, 1.22474487, -1.06904497]])可以看到，里面的数据发生了变化，数值比较小，也许有人可以一眼看出来，看不出来也没有关系，Python可以很方便的计算他们的一些统计量。
# 测试一下xx_scale每列的均值方差
print('均值：', xx_scale.mean(axis=0)) # axis=0指列，axis=1指行
print('方差：', xx_scale.std(axis=0))上面已经介绍了标准化的是要将它转换成什么样，结果的确吻合，按列求均值和方差的结果为：
一套专业的网上书店程序，可以作为新华书店及大中型书店网上销售的首选，满足在线支付及汇款确认机制。功能简介：图书分类、查询、排行、最新、特价、关注排行、销售排行，新闻系统、汇款确认机制、求购书籍、在线咨询、热门图书定义、全站广告后台管理、后台采用WEBEDIT编辑器、集成"支付宝"在线支付等...v3.5版特殊功能说明（前台）:1.自带5种风格主题。2.友好的页面提示（对网站全部
均值： [0. 0. 0.] 方差： [1. 1. 1.]
当然对于标准化其方差和均值也不是一定要一起进行，比如有时候仅仅希望利于其中一个方法，也是有办法的：
with_mean,with_std.这两个都是布尔型的参数，默认情况下都是true,但也可以自定义成false.即不要均值中心化或者不要方差规模化为1.
热图
关于热图在这里只简单提一下，因为网上关于它的资料已经很多很详细了。
在热图中，数据以矩阵的形式存在，属性范围用颜色的渐变来表示，在这里，使用pcolor绘制热图。
小栗子
还是从导库开始，然后加载数据集，对数据进行处理，然后绘制图像，并对图像做一些标注装饰等等。我习惯在代码中做注释，如果有不明白的，可以留言，我会及时回复。
# 导入后续所需要的库
from sklearn.datasets import load_iris
from sklearn.preprocessing import scale
import numpy as np
import matplotlib.pyplot as plt
# 加载数据集
data = load_iris()
x = data['data']
y = data['target']
col_names = data['feature_names']
# 数据预处理
# 根据平均值对数据进行缩放
x = scale(x, with_std=False)
x_ = x[1:26,] # 选取其中25组数据
y_labels = range(1, 26)
# 绘制热图
plt.close('all')
plt.figure(1)
fig, ax = plt.subplots()
ax.pcolor(x_, cmap=plt.cm.Greens, edgecolors='k')
ax.set_xticks(np.arange(0, x_.shape[1])+0.5) # 设置横纵坐标
ax.set_yticks(np.arange(0, x_.shape[0])+0.5)
ax.xaxis.tick_top() # x轴提示显示在图形上方
ax.yaxis.tick_left() # y轴提示显示在图形的左侧
ax.set_xticklabels(col_names, minor=False, fontsize=10) # 传递标签数据
ax.set_yticklabels(y_labels, minor=False, fontsize=10)
plt.show()那么绘制出的图像是什么样子的呢：
上面简单的几步就把这些数据绘制出直观的图像，当然，在真正使用的时候不会这么简单，还需要多扩充知识。
