MinMaxScaler

 

前言

这篇博文记录了sklearn.preporcessing.MinMaxScaler的用法

---

一、MinMaxScaler能做什么？

 将数据归一化至某一区间的归一方法

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

其中 min和max是数据范围

 

二、使用步骤

1.引入库

from sklearn.preprocessing import MinMaxScaler

2.参数

2.1 feature_range：tuple (min, max), default=(0, 1)

归一化后的数据范围，默认将数据转化至[0,1]区间

2.2 copy：bool, default=True

如果输入数据是numpy array格式，设置false，可不复制数据。

ascaler = MinMaxScaler(feature_range=(0, 1),copy=False)  # copy=默认为True

3.方法

3.1 fit(x): 计算x的数据范围，返回一个MinMaxScaler

3.2 fit_transform(x): 计算x的数据范围，并将数据归一化

3.3 transform(x): 根据数据范围将数据归一化

3.4 inverse_transform(X): 根据min和max，返回归一化之前的值

a=numpy.asarray([1,2,3,4,5])
a=numpy.reshape(a,(-1,1))
    #生成一个二维的array

ScalerA = MinMaxScaler(feature_range=(0, 1)).fit(a)
    #计算a中数据的范围，返回一个可调用的MinMaxScaler

c = ScalerA.transform(numpy.asarray([2.4,3]).reshape((-1,1)))
    #根据ScalerA中的参数（也就是a的范围），对array[2.4,3]进行归一化，结果为[[0.35],[0.5]]

d = ScalerA.inverse_transform(c)
    #根据ScalerA中的参数，将c中的数字进行反归一化，结果为[[2.4],[3]]

3.5 get_params([deep]) 

3.6 partial_fit(x): 所有的X都作为单个批处理处理。当fit()由于n_samples的数量非常大或者X是从一个连续的流中读取而不可行时，可以使用此方法。

3.7 set_params(***params): 为当前的estimator设置参数