R.scale（）与sklearn.preprocessing.scale（）之间的差异

Question

我目前正在将数据分析从R移到Python。在R中缩放数据集时，我将使用R.scale（），据我所知它将执行以下操作：（x-mean（x））/ sd（x）

要替换该功能，我尝试使用sklearn.preprocessing.scale（）。从我对描述的理解来看，它做同样的事情。尽管如此，我还是运行了一个测试文件，发现这两种方法都有不同的返回值。显然，标准偏差是不一样的...有人能够解释为什么标准偏差彼此“偏离”吗？

MWE：

# import packages
from sklearn import preprocessing
import numpy
import rpy2.robjects.numpy2ri
from rpy2.robjects.packages import importr
rpy2.robjects.numpy2ri.activate()
# Set up R namespaces
R = rpy2.robjects.r


np1 = numpy.array([[1.0,2.0],[3.0,1.0]])
print "Numpy-array:"
print np1

print "Scaled numpy array through R.scale()"
print R.scale(np1)
print "-------"
print "Scaled numpy array through preprocessing.scale()"
print preprocessing.scale(np1, axis = 0, with_mean = True, with_std = True)
scaler = preprocessing.StandardScaler()
scaler.fit(np1)
print "Mean of preprocessing.scale():"
print scaler.mean_
print "Std of preprocessing.scale():"
print scaler.std_

输出：“ >>

我目前正在将数据分析从R移到Python。在R中缩放数据集时，我将使用R.scale（），据我所知，它将执行以下操作：（x-mean（x））/ sd（x）要替换该...

Answer 1

似乎与标准差的计算方式有关。

Answer 2

R.scale文档说：