13 数据变换规范化方法

最新推荐文章于 2023-10-03 22:16:09 发布

KeepChasing1

最新推荐文章于 2023-10-03 22:16:09 发布

阅读量1.2k

点赞数

分类专栏： # 数据分析实战基础篇

本文链接：https://blog.csdn.net/qq_40678779/article/details/107068132

版权

本文深入探讨了数据变换中的规范化技术，包括为什么要进行数据规范化，常见的规范化方法如最小-最大缩放、Z-score标准化以及归一化等，并通过实例解析它们的应用和效果。了解这些方法对于数据预处理和提高模型性能至关重要。

摘要由CSDN通过智能技术生成

# Author:Nimo_Ding

'''
数据规范化的三种方法：
1、Mix-max规范化
    将数据归到[0,1]区间
2、Z-Score规范化
    将数据规范到0均值，1方差的标准正态分布上，减少我们说的百分制80分，500分制80分的数据值差异问题
3、小数定标规范化
    将数据转化为[-1,1]区间内。
'''

# Python的SciKit-Learn库的使用
# 使用SciKit-Learn进行数据规范化
print('\n# 1、Min-max规范化')
'''
让原始数据投射到指定的空间[min,max]，在SciKit-Learn里有一个函数MinMaxScaler是专门做这个的。
默认情况范围是[0,1],会将原始数据投放到[0,1]范围中。
'''
from sklearn import preprocessing
import numpy as np
# 初始化数据，每一行表示一个样本，每一列表示一个特征。
x=np.array([[0.,-3.,1.],
            [3.,1.,2.],
            [0.,1.,-1.]])

# 将数据进行[1,2]规范化
min_max_scaler = preprocessing.MinMaxScaler([1,2])
minmax_x = min_max_scaler.fit_transform(x)
print(minmax_x)
'''
[[1.         1.         1.66666667]
 [2.         2.         2.        ]
 [1.         2.         1.        ]]
 '''

print('\n# 2、Z-Score规范化')
# preprocessing.scale(x)可以直接将给定的数据进行Z