归一化

转自：https://www.cnblogs.com/zhange000/articles/10748906.html

数据归一化(Normalization，又称Min-Max Scaling)：
数据(x)按照最小值中心化后，再按极差（最大值 - 最小值）缩放，数据移动了最小值个单位，并且会被收敛到[0,1]之间的过程。归一化之后的数据服从正态分布，公式如下：

x = (x - min(x)) / (max(x) - min(x))
　　　　　　　　
在sklearn中，使用preprocessing.MinMaxScaler来实现这个功能。MinMaxScaler有一个重要参数，
feature_range，控制数据压缩到的范围，默认是[0,1]。

from sklearn.preprocessing import MinMaxScaler
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
import pandas as pd
pd.DataFrame(data)
#实现归一化
scaler = MinMaxScaler() #实例化
scaler = scaler.fit(data) #fit，在这里本质是生成min(x)和max(x)
result = scaler.transform(data) #通过接口导出结果

result_ = scaler.fit_transform(data) 　　#训练和导出结果一步达成

scaler.inverse_transform(result) 　　#将归一化后的结果逆转

#使用MinMaxScaler的参数feature_range实现将数据归一化到[0,1]以外的范围中
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
scaler = MinMaxScaler(feature_range=[5,10])　　 #依然实例化