本关任务：利用sklearn对数据进行非线性转换。

为什么要进行线性转换

如果特征不服从或者近似服从标准正态分布（即，零均值、单位标准差的正态分布）的话，算法的表现会大打折扣，非线性转换就是将我们的特征映射到**均匀分布或者高斯分布(**即正态分布)。

映射到均匀分布

将最大的数映射为1，最小的数映射为1，其他的数按从小到大的顺序均匀分布在0到1之间，如有相同的数则取平均值

代码实现：

from sklearn.preprocessing import QuantileTransformer
import numpy as np
data = np.array([[1],[2],[3],[4],[5]])
quantile_transformer = QuantileTransformer(random_state=666) # 设置种子
data = quantile_transformer.fit_transform(data)

映射到高斯分布

Yeo-Johnson映射

Box-Cox映射

代码实现：
（1）在sklearn 0.20.x中使用PowerTransformer方法实现

from sklearn.preprocessing import PowerTransformer
import numpy as np
data = np.array([[1],[2],[3],[4],[5]])
pt = PowerTransformer(method='box-cox', standardize=False)
data = pt.fit_transform(data)

（2）在sklearn 0.19.x，通过对QuantileTransformer设置参数output_distribution='normal’实现映射高斯分布

rom sklearn.preprocessing import QuantileTransformer
import numpy as np
data = np.array([[1],[2],[3],[4],[5]])
quantile_transformer = QuantileTransformer(output_distribution='normal',random_state=666)
data = quantile_transformer.fit_transform(data)
data = np.around(data,decimals=3)

编程要求

根据提示，在右侧编辑器Begin-End处补充Python代码，实现数据非线性转换方法，我们会使用实现好的方法对数据进行处理。

测试说明
我们会调用你实现好的方法对数据进行处理，如输入数据为：

np.array([[1],[2],[3],[4],[5]])
映射到均匀分布,则处理后结果为:

np.array([[0. ], [0.25],[0.5 ],[0.75],[1. ]])
映射到高斯分布，则处理后结果为:

np.array([[-5.199],[-0.674],[ 0. ],[ 0.674],[ 5.199]])
如处理后的数据符合要求，则视为通关。

开始你的任务吧，祝你成功！

# -*- coding: utf-8 -*-
from sklearn.preprocessing import QuantileTransformer
import numpy as np
#实现非线性转换方法
def non_linear_transformation(x,y):'''x(ndarray):待处理数据y(int):y等于0映射到均匀分布y等于1映射到高斯分布'''#********* Begin *********#if y==0:quantile_transformer = QuantileTransformer(random_state=666)data = quantile_transformer.fit_transform(x)elif y==1:quantile_transformer = QuantileTransformer(output_distribution='normal',random_state=666)data = quantile_transformer.fit_transform(x)data = np.around(data,decimals=3)return data       #********* End *********#