sklearn数据标准化

1. #encoding:utf-8  
2. ''''' 
3. Created on 2015年10月13日 
4. @author: ZHOUMEIXU204 
5. '''  
6.   
7. #sklearn数据标准化，数据标准化有三种  
8. #第一种是Z-Score，或者去除均值和方差缩放  
9. from  sklearn import preprocessing  
10. import numpy as np  
11. x=np.array([[1.,-1.,2.],  
12.             [2.,0.,0.],  
13.             [0.,1.,-1.]])  
14. x_scaled=preprocessing.scale(x)  
15. x_scaled.mean(axis=0)  
16. x_scaled.std(axis=0)  
17. # 使用sklearn.preprocessing.StandardScaler类，  
18. # 使用该类的好处在于可以保存训练集中的参数（均值、方差）  
19. # 直接使用其对象转换测试集数据。  
20. scaler=preprocessing.StandardScaler().fit(x)  
21. scaler.mean_  
22. scaler.std_  
23. scaler.transform(x)  #跟上面的结果是一样的  
24.   
25. #第二种是将属性缩放到一个指定范围,也是就是(x-min)/(max-min)  
26. #依赖于preprocessing中的MinMaxScaler类  
27. x_train=np.array([[1.,-1.,2.],  
28.             [2.,0.,0.],  
29.             [0.,1.,-1.]])  
30.   
31. min_max_scaler=preprocessing.MinMaxScaler()  
32. x_train_minmax=min_max_scaler.fit_transform(x_train)  
33. print(x_train_minmax)  
34. # 当然，在构造类对象的时候也可以直接指定最大最小值的范围：feature_range=(min, max)，此时应用的公式变为：  
35. # x_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))  
36. # x_scaled=X_std/(max-min)+min  
37.   
38. #第三种是正则化Normalization  
39.   
40. x=np.array([[1.,-1.,2.],  
41.             [2.,0.,0.],  
42.             [0.,1.,-1.]])  
43. x_normalized=preprocessing.normalize(x,norm='l2')  
44. print(x_normalized)  
45.   
46. # 可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换  
47. normalizer=preprocessing.Normalizer().fit(x)  
48. print(normalizer)  
49. normalizer.transform(x)