python实现zscore归一化和minmax标准化

概念 

zscore归一化：

minmax标准化

 python实现

from sklearn import preprocessing
from sklearn.preprocessing import StandardScaler
import numpy as np

# 数据
x = np.array([[1.,-1.,2.],
                [2.,0.,0.],
                [0.,1.,-1.]])
print('----------------minmaxscaler标准化-------------')
# 调用minmaxscaler标准化
min_max_scaler = preprocessing.MinMaxScaler()
x_minmax = min_max_scaler.fit_transform(x)
print(x_minmax)

# 手写minmaxscaler标准化
def MinMaxScaler(data):
    return (data-data.min(axis = 0))/(data.max(axis=0)-data.min(axis=0))
print(MinMaxScaler(x))

print('----------------zscore归一化-------------')
# 手写ZScoreScaler归一化
def ZScoreScaler(data):
    return (data-data.mean(axis = 0))/data.std(axis = 0)
print(ZScoreScaler(x))

# 调库
zscaler = StandardScaler () 
x_zscore = zscaler.fit_transform(x)
print(x_zscore)

对训练集和测试集进行标准化

这边以z-score归一化为例。

对训练集，计算训练集中每一列属性（即x）的均值和标准差，目标y不需要标准化。获得均值和标准差后，对属性进行标准化转换。

对测试集，根据训练集上计算得到的均值和标准差，将测试集中的每个特征进行标准化转换。这确保了测试集的特征具有与训练集相同的尺度，以便模型在测试数据上能够正确预测。

python实现

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)  # 对训练集进行标准化处理，并计算标准化参数（均值和标准差）
X_test = scaler.transform(X_test)  # 将标准化参数应用到测试集上，以保持一致性