数据归一化，标准化

一. min-max标准化(Min-Max Normalization)

也称离差标准化，将数据调整到[0,1]，公式：x* = (x - min(x)) / (max(x) - min(x))
代码实现：

import numpy as np

A = np.array([2, 7, 36, 89, 169, 235, 1021])
print('调整前A:\n', A)

gui = (A - np.min(A)) / (np.max(A) - np.min(A))
print('调整后A:\n', gui)


def normalization(arr):  //# 调整到0到1

    return [(x - np.min(arr)) / (np.max(arr) - np.min(arr)) for x in arr]

gui_2 = normalization(arr=A)
print('函数计算:\n', gui_2)

输出结果:

调整前A:
 [2  7  36  89  169  235  1021]
调整后A:
 [0.  0.00490677  0.03336605  0.08537782  0.16388616  0.22865554  1.]
函数计算:
 [0.0, 0.004906771344455349, 0.033366045142296366, 0.08537782139352307, 0.16388616290480865, 0.22865554465161925, 1.0]

若想将数据调整到[-1,1]，则公式为: x* = (x - mean(x)) / (max(x) - min(x))。
代码实现：

def normalization_2(arr):  //# 调整到-1到1

    return [(x - np.mean(arr)) / (np.max(arr) - np.min(arr)) for x in arr]

gui_21 = normalization_2(arr=A)
print('A调整到-1到1:\n', gui_21)

输出结果：

A调整到-1到1:
[-0.21659890649095753, -0.21169213514650218, -0.18323286134866115, -0.13122108509743446, -0.05271274358614889, 0.012056638160661706, 0.7834010935090424]

二. Z-score标准化

计算公式：x* = (x - mean(x)) / std(x) ，调整后数据符合标准正态分布，均值为0，方差为1。注意：这里并不是讲数据的值调整到[0,1]之间。

import numpy as np

A = [1,2,3,4]
def z_score_std(arr):
    return [(x - np.mean(arr)) / np.std(arr) for x in arr]

New = z_score_std(arr=A)
print('调整前A:', A)
print('调整后A:', New)
print('调整后A的均值', np.mean(New), ',调整后A的标准差:', np.std(New))

输出结果：

调整前A: [1, 2, 3, 4]
调整后A: [-1.3416407864998738, -0.4472135954999579, 0.4472135954999579, 1.3416407864998738]
调整后A的均值 0.0 ,调整后A的标准差: 1.0

注意上述方法的不同应用场合