Pandas数据怎么标准化？对列执行减去均值除以标准差运算的方法有哪些

Pandas对列执行减去均值除以标准差的标准化实现方法

数据标准化是数据预处理的核心步骤之一，减去均值除以标准差的标准化方式可以让数据服从均值为0、标准差为1的标准正态分布，消除不同特征量纲差异带来的影响。在Pandas中处理结构化数据时，我们可以通过多种灵活的方式实现该操作。

方法一：直接使用Pandas内置的mean和std方法

Pandas的DataFrame和Series对象都内置了mean()和std()方法，我们可以直接基于这两个方法完成标准化计算，这种方式不需要额外引入其他库，适合轻量级的预处理场景。

示例代码如下：

import pandas as pd

# 构造示例数据
data = {
    'score': [85, 90, 78, 92, 88],
    'age': [20, 22, 19, 21, 23],
    'height': [170, 175, 168, 172, 174]
}
df = pd.DataFrame(data)
print("原始数据：")
print(df)

# 对指定列执行标准化
cols_to_normalize = ['score', 'age', 'height']
for col in cols_to_normalize:
    mean_val = df[col].mean()
    std_val = df[col].std()
    df[f'{col}_normalized'] = (df[col] - mean_val) / std_val

print("n标准化后的数据：")
print(df)

方法二：结合numpy实现向量化计算

numpy的向量化计算效率更高，当处理大规模数据时，可以结合numpy的mean和std函数完成标准化，减少循环带来的性能损耗。

示例代码如下：

import pandas as pd
import numpy as np

# 构造示例数据
data = {
    'price': [100, 150, 120, 180, 130],
    'quantity': [5, 8, 6, 9, 7]
}
df = pd.DataFrame(data)

# 提取需要标准化的列
cols = ['price', 'quantity']
# 计算均值和标准差
means = np.mean(df[cols], axis=0)
stds = np.std(df[cols], axis=0)
# 执行标准化
df[cols] = (df[cols] - means) / stds

print("标准化后的数据：")
print(df)

方法三：使用sklearn的StandardScaler模块

如果项目已经引入了sklearn库，使用StandardScaler是更规范的选择，它会自动对每列执行减去均值除以标准差的操作，还支持后续对新数据的统一标准化处理。

示例代码如下：

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 构造示例数据
data = {
    'math': [90, 85, 88, 92, 87],
    'english': [80, 82, 79, 85, 81]
}
df = pd.DataFrame(data)

# 初始化标准化器
scaler = StandardScaler()
# 拟合并转换数据
normalized_data = scaler.fit_transform(df)
# 转回DataFrame
df_normalized = pd.DataFrame(normalized_data, columns=df.columns)

print("标准化后的数据：")
print(df_normalized)
print("n每列均值：", scaler.mean_)
print("每列标准差：", scaler.scale_)

不同方法的适用场景对比

我们可以通过下表快速了解三种方法的差异，方便根据实际需求选择：

注意事项

• 执行标准化前需要确认列的数据类型为数值型，非数值列需要先做转换或者排除
• 如果某列的标准差为0，除法运算会出现报错，需要提前处理全为相同值的列
• 使用sklearn的StandardScaler时，如果后续有新数据需要标准化，直接调用transform方法即可，不需要重新拟合

Pandas数据标准化减去均值除以标准差sklearnnumpy修改时间：2026-07-04 23:15:11