# 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
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
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