Tentei usar os métodos que voces já comentaram nos tópicos acima e não resolveu. Gostaria muito de uma ajuda resolutiva.
Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!
Tentei usar os métodos que voces já comentaram nos tópicos acima e não resolveu. Gostaria muito de uma ajuda resolutiva.
Olá Lorenzo, eu apliquei uma solução semelhante à relatada pelo colega Franco. Após a normalização manual, recarreguei os dados do arquivo csv. Assim, consegui realizar a normalização com Sklearn e, posteriormente, inverter a transformação dos dados.
Teste desta forma em três cédulas distintas:
# normalização manual dos dados
df_v1 = df
atributos = df_v1.columns
for atributo in atributos:
df_v1[atributo] = (df_v1[atributo]-min(df_v1[atributo]))/(max(df_v1[atributo])-min(df_v1[atributo]))
df.describe()Em outra cédula, carreguei novamente o dataset (se quiser pode dar um describe depois desse passo, vai ver que os dados não estão normalizados) e normalizei com Sklearn:
# carregamento dos dados e normalização com Sklearn
df = pd.read_csv('Wines.csv')
df = df.rename(columns = {'Alcool': 'Alcool',
'Ash': 'Po',
'Ash_Alcanity': 'Alcalinidade_po',
'Magnesium': 'Magnesio',
'Color_Intensity': 'Intendidade_de_cor'
})
from sklearn import preprocessing
colunas = df.columns
min_max_scaler = preprocessing.MinMaxScaler()
np_df = min_max_scaler.fit_transform(df)
df = pd.DataFrame(np_df, columns = colunas)
df.describe() Por fim, inverti a transformação dos dados.
np_df = min_max_scaler.inverse_transform(df)
df = pd.DataFrame(np_df, columns = colunas)
df.describe()Espero ter ajudado. Grande abraço e bons estudos, Edu