使用numpy结构化数组做StandardScale时遇DeprecationWarning求助

嗨，作为刚接触数据科学和Python的新手，遇到这个警告很正常，我来帮你捋清楚问题出在哪，以及怎么解决！

为什么会出现这个警告？ #

StandardScaler 要求输入必须是2维数组，也就是形状为 (样本数量, 特征数量) 的格式。而你用的是结构化numpy数组，直接把整个数组传给Scaler的话，它会把每个样本（包含input和output的元组）当成一个单独的元素，这样就变成了1维数组，正好触发了这个版本兼容警告。

正确的处理步骤 #

首先我们要把输入特征和输出标签从结构化数组里单独提取出来，转换成Scaler能识别的2维格式：

1. 提取输入和输出数据

   import numpy as np
   from sklearn.preprocessing import StandardScaler
   
   # 假设你已经定义了nb_samples
   nb_samples = 100
   samples = np.zeros(nb_samples, dtype=[('input', float, 4), ('output', float, 1)] )
   
   # 提取输入特征：此时X的形状是(nb_samples, 4)，是标准的2维数组
   X = samples['input']
   # 提取输出标签：y的形状是(nb_samples, 1)，也是2维；如果需要1维可以用y.squeeze()
   y = samples['output']
   

2. 分别对输入和输出做标准化
   注意：一般来说，我们只需要对输入特征做标准化；如果是回归任务需要对输出做标准化，也可以按下面的方式处理：

   # 处理输入特征
   scaler_X = StandardScaler()
   X_scaled = scaler_X.fit_transform(X)
   
   # 处理输出标签（如果需要的话）
   # 如果y是1维数组，需要先reshape成2维；这里我们提取的y已经是(nb_samples,1)，可以直接用
   scaler_y = StandardScaler()
   y_scaled = scaler_y.fit_transform(y)
   

3. 将缩放后的数据放回结构化数组（可选）
   如果你想把处理后的数据存回原来的结构化数组里，只需要保证形状匹配即可：

   samples['input'] = X_scaled
   samples['output'] = y_scaled
   

额外提醒 #

• 不要直接把整个结构化数组传给StandardScaler，一定要拆分出输入和输出分别处理。
• 后续深度学习模型训练时，大多也需要输入是(样本数, 特征数)的2维格式，这样处理后也能和模型输入要求对齐。

内容的提问来源于stack exchange，提问作者ajlaj25