数据的归一化处理

一、 归一化的作用是:将数据去掉量纲的影响。简单的讲,由于数据单位不一致,故需将不同的数据进行格式化,使之在指定的范围内  (比如在0~1之间)。

二、归一化方法:

1、线性函数转换:y=(x-MinValue)/(MaxValue-MinValue)
说明:x、y分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
2、对数函数转换:y=lg(x)
说明:以10为底的对数函数转换。
3、反余切函数转换:y=atan(x)*2/pi
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数据归一化是将原始数据按照一定的比例缩放到某个特定的区间内的过程。在Python中,有多种方法可以进行数据归一化处理。 一种常见的方法是使用sklearn库中的preprocessing模块,其中包含了各种常用的数据处理方法,包括标准化处理(StandardScaler)和小数标准化(MinMaxScaler)等。标准化处理是通过对原始数据进行线性变换,使其均值为0,方差为1,从而将数据映射到标准正态分布上。而小数标准化是通过对原始数据进行线性变换,将其映射到[0,1]区间上。以下是使用这两种方法进行数据归一化的示例代码: 标准化处理: ``` from sklearn import preprocessing scaler = preprocessing.StandardScaler() data['Fare'] = scaler.fit_transform(data['Fare'].values.reshape(-1,1)) ``` 小数标准化: ``` from sklearn import preprocessing scaler = preprocessing.MinMaxScaler() data['Fare'] = scaler.fit_transform(data['Fare'].values.reshape(-1,1)) ``` 除了sklearn库,还可以使用其他方法进行数据归一化处理,比如使用自定义函数。下面是一个将数据进行小数标准化的自定义函数的示例代码: ``` def MinMaxScale(data): return (data - data.min()) / (data.max() - data.min()) data['Fare'] = MinMaxScale(data['Fare']) ``` 另外还有一种常见的数据归一化方法是小数定标标准化,该方法通过移动数据的小数点位置来缩放特征值,使其落在一个较小的范围内。以下是使用小数定标标准化对数据进行归一化处理的示例代码: ``` def Decimal_Scale(data): return data / 10**(np.log10(data.abs().max())) data['Fare'] = Decimal_Scale(data['Fare']) ```

“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