python 归一化数据

归一化数据

输入为矩阵,对每一列的数据进行归一化。

#归一化数据
def autoNorm(dataset):
    minVals=dataset.min(0)#列中最小值
    maxVals=dataset.max(0)#列中的最大值
    ranges=maxVals-minVals
    #normDataSet=zeros(shape(dataset))#创建与样本特征矩阵同大小的数值全是0的矩阵
    m=dataset.shape[0]#m是dataset的列数,即样本特征的维数
    normDataSet=dataset-tile(minVals,(m,1))#tile()是将minVals复制成m行3列,即与dataset同大小的矩阵
    normDataSet=normDataSet/tile(ranges,(m,1))
    return normDataSet#返回归一化的样本特征矩阵

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
Python中,归一化数据是将数据缩放到特定的范围内,通常是[0, 1]或[-1, 1]。这可以帮助我们处理不同尺度的特征,使得它们具有相似的数值范围,从而更好地进行数据分析和机器学习。 在Python中,有多种方法可以实现数据归一化,下面介绍两种常用的方法: 1. 最小-最大归一化Min-Max Scaling): 最小-最大归一化是将数据线性地缩放到指定的范围内。具体步骤如下: - 找到数据中的最小值(min)和最大值(max)。 - 对于每个数据点x,使用公式进行归一化:(x - min) / (max - min)。 - 归一化后的数据范围为[0, 1]。 在Python中,可以使用scikit-learn库中的MinMaxScaler类来实现最小-最大归一化。以下是一个示例代码: ```python from sklearn.preprocessing import MinMaxScaler # 创建MinMaxScaler对象 scaler = MinMaxScaler() # 假设有一个数据集X,包含多个特征 X = [[x1, x2, ...], [x3, x4, ...], ...] # 对数据集进行归一化 normalized_X = scaler.fit_transform(X) ``` 2. 标准化(Standardization): 标准化是将数据转换为均值为0,标准差为1的分布。具体步骤如下: - 计算数据的均值(mean)和标准差(std)。 - 对于每个数据点x,使用公式进行标准化:(x - mean) / std。 - 标准化后的数据具有均值为0,标准差为1的分布。 在Python中,可以使用scikit-learn库中的StandardScaler类来实现标准化。以下是一个示例代码: ```python from sklearn.preprocessing import StandardScaler # 创建StandardScaler对象 scaler = StandardScaler() # 假设有一个数据集X,包含多个特征 X = [[x1, x2, ...], [x3, x4, ...], ...] # 对数据集进行标准化 standardized_X = scaler.fit_transform(X) ```
评论 2
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