Python数据处理_pandas读取csv文件_numpy进行归一化处理

请执行以下命令下载样本数据

数据为CSV表格有8列，其中abstime列为时间列，其余列为特征列

!wget http://82.156.209.173/s/dHCnaH32rtZdxcs/download
!mv download sample_data_A100159.csv

1. 对给出的样本文件中的所有特征列做normalization，映射至（0-255）的区间，从abstime的第一行开始每隔200条取一次整行数据，并将最终取出的数据并以PNG格式的图片输出。

提示：输出图片用PIL库
可参考 https://blog.csdn.net/qq_42967398/article/details/95388563

对于样本$X_{N\times K}$，共$N$个样本，$K$个特征。sample_data_A100159.csv的shape是(4905, 8)。所以有$N=4905$，$K=8$。
1)归一化是按照每个特征进行归一化。对于第$k$个特征，将数据归一化到[0,1]：$$X=\frac{X-X_{min}}{X_{max}-X_{min}}$$2)对于第$k$个特征，将数据归一化到[0,255]，令$low=0,high=255$：$$X=low+\frac{X-X_{min}}{X_{max}-X_{min}}\ast (high-low)$$3)若第$k$个特征的值全部相同，那么$X_{max}-X_{min}=0$，分母为0，计算结果溢出，程序报错。令分母加一个小数(1e-5)。
4)numpy便于对N维数组对象进行整体的操作。比如有$K$列特征，不用循环$K$次进行归一化操作。数据是二维的，在第一维度上进行最大值最小值计算。第一维度是样本数量。$data.min(axis=0)$以及$data.max(axis=0)$两个操作。

import pandas as pd 
import numpy as np 
import random 
from PIL import Image 
#################################
#  CODING HERE
sample_data = pd.read_csv("sample_data_A100159.csv",header = 0)
data = np.array(sample_data)
print(data.size) #39240
print(data.shape) #(4905, 8)
print(data.ndim) #2
print(data.dtype) #float64
#归一化
x_nor = (data - data.min(axis=0))/(data.max(axis=0)-data.min(axis=0)+1e-5)* (255.0-0.0)+0.0
#（某个元素-它这列最小的数）/（它这列最大的数-它这列最小的数）
print(x_nor.shape)

data = pd.DataFrame(x_nor)
data.to_csv("normalization_A100159.csv",index=False,header=False)
abstime=data[:][6]
print(data[:][6])
ans = []
for i in range(0 , 4094 , 200): 
    ans.append(abstime[i])
print(len(ans))
#################################