В мире анализа данных и машинного обучения Python предоставляет нам мощную библиотеку scikit-learn. В scikit-learn функция fit_transform() является широко используемым методом преобразования и предварительной обработки данных. Однако новички часто сталкиваются с сообщением об ошибке: «fit_transform() принимает 2 позиционных аргумента, но было задано 3». В этой статье мы рассмотрим причины этой ошибки и предоставим несколько методов с примерами кода, которые помогут вам понять и эффективно использовать функцию fit_transform().

Пояснение ошибки:
Сообщение об ошибке «fit_transform() принимает 2 позиционных аргумента, но было задано 3» обычно появляется, когда вы передаете дополнительный аргумент методу fit_transform(). Эта ошибка служит напоминанием о том, что функция fit_transform() ожидает только два аргумента: данные, которые необходимо преобразовать, и, необязательно, целевую переменную. Очень важно понять это, прежде чем изучать различные методы.

Метод 1: использование fit_transform() с одним объектом
В этом методе мы демонстрируем, как использовать fit_transform() с одним объектом.

from sklearn.preprocessing import StandardScaler
# Create a sample feature
data = [[10], [15], [20], [25]]
# Create an instance of the StandardScaler
scaler = StandardScaler()
# Apply fit_transform() to the feature
transformed_data = scaler.fit_transform(data)
print(transformed_data)

Метод 2: использование fit_transform() с несколькими объектами
В этом методе мы демонстрируем, как использовать fit_transform() с несколькими объектами.

from sklearn.preprocessing import StandardScaler
# Create sample features
data = [[10, 5], [15, 7], [20, 10], [25, 12]]
# Create an instance of the StandardScaler
scaler = StandardScaler()
# Apply fit_transform() to the features
transformed_data = scaler.fit_transform(data)
print(transformed_data)

Метод 3: использование fit_transform() с целевой переменной
В некоторых случаях нам может потребоваться включить целевую переменную в процесс преобразования. Вот пример того, как это сделать:

from sklearn.preprocessing import LabelEncoder
# Create sample data
data = ['apple', 'banana', 'orange', 'apple', 'orange']
# Create an instance of the LabelEncoder
encoder = LabelEncoder()
# Encode the target variable
encoded_data = encoder.fit_transform(data)
print(encoded_data)

В этой статье мы рассмотрели функцию fit_transform() в scikit-learn и изучили различные методы ее эффективного использования. Предоставляя примеры кода, мы продемонстрировали, как использовать fit_transform() с одним и несколькими функциями, а также как включить целевую переменную в процесс преобразования. Понимание сообщения об ошибке «fit_transform() принимает 2 позиционных аргумента, но было задано 3» имеет решающее значение, чтобы избежать распространенных ошибок при использовании этой функции. Обладая этими знаниями, вы сможете уверенно предварительно обрабатывать и преобразовывать данные с помощью функции fit_transform() в Python.