我编写了几个python函数来对数据集中的连续变量进行幂变换。第一个函数基本上查找每个列的数据类型，并返回数据类型的dict以及相应的列名称作为值。在

第二个函数现在接受数据类型和列名的dict，并获取一个输入数据集，并使用代码中编写的幂变换函数对每个连续特性(“float64”)进行幂转换。在

它在python中运行得很好。下面是代码：

首先将数据集传递给featuresDtypes函数，以获取dict形式的变量的数据类型# Then pass the same dataset to varTransformation function by also passing the returned data type dict.

def featuresDtypes(model_data1):

"""This function takes a dataframe and gives a dict of column

data types

"""

g = model_data1.columns.to_series().groupby(model_data1.dtypes).groups

var_types={k.name: v for k, v in g.items()}

return var_types

def varTransformation(model_data1,var_types):

"""This function takes in a list of continuous feature names

and transforms it using Box-Cox transformation

list--> df

(list of feature names)---> returns a transformed pandas dataframe

"""

var_transform_mapping={}

model_data_transformed=copy.deepcopy(model_data1)

continuous_var=var_types['float64']

for x in continuous_var:

# Anchoring the data at 1 as Box-Cox takes more than 0 as the value

model_data_transformed[x]=(model_data_transformed[x]-(model_data_transformed[x].min()-1))

lmbda,ppc=sp.stats.boxcox_normplot(model_data_transformed[x], -20, 20, plot=ax)

lmax_pearsonr = sp.stats.boxcox_normmax(model_data_transformed[x])

lamda_ppc=lmbda[ppc.argsort()[::-1][0]]

#Rounding the lambda value

if 0.3<=np.abs(lamda_ppc)-int(np.abs(lamda_ppc))<=0.59 :

lamda_ppc=cmp(lamda_ppc,0)*(int(np.abs(lamda_ppc))+0.5)

else:

lamda_ppc=cmp(lamda_ppc,0)*(np.around(np.abs(lamda_ppc)))

# Getting the box - cox tranformation using the lambda value

model_data_transformed[x]= sp.stats.boxcox(model_data_transformed[x],lamda_ppc)

var_transform_mapping[x]=lamda_ppc

return model_data_transformed,var_transform_mapping

现在，我想在用于Postgresql的PL/Python中实现这一点。在

基本上我要找的东西如下：

^{pr2}$

在这个PL/Python中，我们可以使用informationschema代码来获取postgres表中每个列的数据类型。因此，我们不需要上面编写的第一个python函数，该函数是以python格式编写的。Pl/Python代码的其余部分将类似于这样一种情况，即查看一个列是否属于连续类型，然后使用Pl/Python对其进行转换。在

最后返回的表需要一个经过修改/转换的变量表，以及用正确的转换值转换的列名的dict或映射，如python函数所示。在

有什么帮助吗？在