python归一化函数MinMaxScaler的理解

"""
python归一化函数MinMaxScaler的理解
class sklearn.preprocessing.MinMaxScaler(feature_range=0, 1, *, copy=True)
"""

from sklearn.preprocessing import MinMaxScaler
import numpy as np
x = np.array([[1., -1., 2.],
              [2., 0., 0.],
              [0., 1., -1.]])

scaler = MinMaxScaler()​​​​​​

"""
MinMaxScaler实现逻辑：
x_std = (x-x.min(axis = 0))/(x.max(axis = 0)-x.min(axis=0))
#x_std的值域范围为0到1.
​​​​​​​
x_scaled = x_std*(max-min)+min
这里的max是MinMaxScaler()函数的参数feature_range区间的最大值，
feature_range默认最小值为0，最大值为1，
也就是x_scaled = x_std*(max-min)+min中的max为1，min为0.
axis = 0 为列，也就是x.min(axis = 0)为每列的最小值
"""

#scaler = MinMaxScaler(feature_range=(-1, 1))
此处是将x_scaled = x_std*(max-min)+min公式里的max和min分别设为1和-1.

result = scaler.fit_transform(x)

"""
以第二行第三列为例
x = 0
x.min(axis=0)= -1
x.max(axis=0)= 2
所以
x_std = (x-x.min(axis = 0))/(x.max(axis = 0)-x.min(axis=0))
      = (0-(-1))/(2-(-1))=1/3
x_scaled = x_std*(max-min)+min
         = (1/3)*(1-0)+0=1/3      
"""
print(result)

结果：

[[0.5        0.         1.        ]
 [1.         0.5        0.33333333]
 [0.         1.         0.        ]]