Python实现归一化和标准化处理

Python实现归一化和标准化处理

1)归一化处理

将数据归一化到[0 , 1];

公式:
在这里插入图片描述
代码:

import pandas as pd
#加载数据
df_test = pd.read_csv("./result.csv")
#归一化处理
df_test = df_test.apply(lambda x: (x - np.min(x)) / (np.max(x) - np.min(x)))

2)标准化处理

标准化后的数据是均值为0,方差为1的正态分布。
公式:
在这里插入图片描述
代码:

import pandas as pd
#加载数据
df_test = pd.read_csv("./result.csv")
#标准化处理
df_test = df_test.apply(lambda x: (x - np.mean(x)) / np.std(x))
  • 0
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
归一化和特征选择是数据预处理中常用的步骤,可以使用Python中的一些库来实现。 1. 归一化(Normalization):将数据缩放到固定的范围,常用的方法有最小-最大缩放和标准化。 最小-最大缩放(Min-Max Scaling)将数据缩放到给定的范围,通常是0到1之间。可以使用scikit-learn库中的`MinMaxScaler`来实现。以下是一个简单的例子: ```python from sklearn.preprocessing import MinMaxScaler # 创建一个MinMaxScaler对象 scaler = MinMaxScaler() # 假设有一个特征矩阵X X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] # 使用fit_transform方法对特征矩阵进行归一化 X_normalized = scaler.fit_transform(X) print(X_normalized) ``` 标准化(Standardization)将数据转换为均值为0,方差为1的分布。可以使用scikit-learn库中的`StandardScaler`来实现。以下是一个简单的例子: ```python from sklearn.preprocessing import StandardScaler # 创建一个StandardScaler对象 scaler = StandardScaler() # 假设有一个特征矩阵X X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] # 使用fit_transform方法对特征矩阵进行标准化 X_standardized = scaler.fit_transform(X) print(X_standardized) ``` 2. 特征选择(Feature Selection):从原始特征中选择最相关的特征,以提高模型的性能和效果。常用的方法有过滤法、包装法和嵌入法。 过滤法(Filter Method)根据某种评价指标对特征进行打分,然后选择前k个得分最高的特征。可以使用scikit-learn库中的`SelectKBest`来实现。以下是一个简单的例子: ```python from sklearn.feature_selection import SelectKBest, f_regression # 假设有一个特征矩阵X和目标变量y X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] y = [10, 20, 30] # 创建一个SelectKBest对象,并指定评价指标 selector = SelectKBest(score_func=f_regression, k=2) # 使用fit_transform方法对特征矩阵进行特征选择 X_selected = selector.fit_transform(X, y) print(X_selected) ``` 以上是使用scikit-learn库来实现归一化和特征选择的简单示例。当然,还有其他的库和方法可以用来实现这些功能,根据具体情况选择合适的方法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值