基础介绍
数据标准化与wilcox分析_wilcox检验的数据必须log2吗-CSDN博客
R语言中的Quantile normalisation 原理详解
在统计学中，分位数归一化是一种使两个分布在统计属性上相同的技术。要对两个或多个分布进行分位数归一化，而不使用参考分布，请像以前一样排序，然后设置为分布的平均值（通常为算术平均值）。因此，在所有情况下，最高值都成为最高值的平均值，第二高值成为第二高值的平均值，依此类推。
df <- data.frame(one=c(5,2,3,4),
two=c(4,1,4,2),
three=c(3,4,6,8)
)
rownames(df) <- toupper(letters[1:4])
df
#确定每列的排名，从低到高：
df_rank <- apply(df,2,rank,ties.method="min")
df_rank
#将原始矩阵从低到高排序：
df_sorted <- data.frame(apply(df, 2, sort))
df_sorted
#计算均值：
df_mean <- apply(df_sorted, 1, mean)
df_mean
#最后将均值代入我们的排名矩阵中。
index_to_mean <- function(my_index, my_mean){
return(my_mean[my_index])
}
df_final <- apply(df_rank, 2, index_to_mean, my_mean=df_mean)
rownames(df_final) <- toupper(letters[1:4])
df_final差异
Scale函数与normalize.quantiles()函数的异同：
- Scale函数：
- 算法：Scale函数是R语言中用来对数据进行标准化处理的函数，其算法是先减去平均值，再除以标准差。
- 作用：通过Scale函数，可以将数据缩放到具有相同的标准差，但不一定具有相同的均值。
- 优点：标准化后的数据可以更好地适应一些机器学习算法，如支持向量机（SVM）和主成分分析（PCA）。
- 示例代码：scale(data)
- normalize.quantiles()函数：
- 算法：normalize.quantiles()函数是R语言中另一种数据标准化的方法，其算法是计算数据的分位数，然后将数据的均值减去分位数。
- 作用：通过normalize.quantiles()函数，可以保留数据的分布特征，将均值归零。
- 优点：保留了数据的原始分布信息，适用于一些需要保持数据分布的情况。
- 示例代码：normalize.quantiles(data)
异同点总结：
-
**相同点：**都是用来对数据进行标准化处理的方法。
-
不同点：
-
Scale函数是先减去平均值再除以标准差，而normalize.quantiles()函数是计算分位数后将均值减去分位数。
-
Scale函数会使数据具有相同的标准差，而normalize.quantiles()函数会保留数据的原始分布信息。
-
适用场景不同：Scale函数适用于需要将数据缩放到相同范围的情况，而normalize.quantiles()函数适用于需要保留数据原始分布特征的情况。
normalize.quantiles()还原
关于R语言的normalize.quantiles()函数的逆运算
在R语言中，normalize.quantiles()函数用于将数据进行分位数标准化，使得数据符合正态分布。但是，normalize.quantiles()函数是一个单向操作的函数，无法直接逆运算还原。
如果想要逆运算还原数据，可以尝试使用inverse.quantile()函数来逆向操作，实现将标准化后的数据还原为原始数据。下面是一个简单的示例代码：
```R # 假设data是经过normalize.quantiles()标准化后的数据 data_normalized <- normalize.quantiles(data) # 使用inverse.quantile()函数逆向操作还原数据 data_restored <- inverse.quantile(data_normalized) # 检查还原后的数据是否与原始数据一致 identical(data, data_restored) ```
需要注意的是，逆向操作可能会存在一定的误差，具体效果取决于数据的特性和标准化的方法。在实际应用中，建议在还原数据后进行一定的验证和检查。