https://www.jianshu.com/p/580688e4a069

1. QuantileTransformer

QuantileTransformer 类将每个特征缩放在同样的范围或分布情况下。但是，通过执行一个秩转换能够使异常的分布平滑化，并且能够比缩放更少地受到离群值的影响。但是它的确使特征间及特征内的关联和距离失真了。以下是QuantileTransformer参数：

sklearn.preprocessing.QuantileTransformer(n_quantiles=1000, output_distribution=’uniform’,
ignore_implicit_zeros=False, subsample=100000, random_state=None, copy=True)

该方法将特征变换为均匀分布或正态分布（通过设置output_distribution=‘normal’）。因此，对于给定的特性，这种转换倾向于分散最频繁的值。它还减少了(边缘)异常值的影响：因此，这是一个健壮的预处理方案。

2. PowerTransformer

映射到高斯分布。在许多建模场景中，数据集中的特性是正常的。幂变换是一类参数的单调变换，其目的是将数据从任意分布映射到尽可能接近高斯分布，以稳定方差和最小化偏度。

PowerTransformer目前提供了两个这样的幂变换，Yeo-Johnson变换和Box-Cox变换，利用极大似然估计了稳定方差和最小偏度的最优参数。并且，box-Cox要求输入数据严格为正数据，而Yeo-Johnson支持正负数据。参数如下：

sklearn.preprocessing.PowerTransformer(method=’yeo-johnson’, standardize=True, copy=True)

注意：PowerTransformer只有在0.20.0才有，不然会报错。 你可以使用conda update scikit-learn来进行更新。