python 实现对数据集的归一化的方法(0-1之间)

Python 实现对数据集的归一化的方法(0-1之间)

归一化是数据预处理中的一项重要工作。它可以将数值型的数据进行标准化处理，让数据按照一定的比例缩小到0-1之间，提高数据处理的精度。

在 Python 中，我们可以使用 sklearn 库中的 MinMaxScaler 类对数据集进行归一化。

步骤

• 导入需要的库

from sklearn.preprocessing import MinMaxScaler
import numpy as np

• 定义数据集

data = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]])

• 创建一个 MinMaxScaler 对象

scaler = MinMaxScaler()

• 对数据进行归一化操作

normalized_data = scaler.fit_transform(data)

示例

from sklearn.preprocessing import MinMaxScaler
import numpy as np

# 定义数据集
data = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]])

# 创建 MinMaxScaler 对象
scaler = MinMaxScaler()

# 归一化操作
normalized_data = scaler.fit_transform(data)

print(normalized_data)

输出结果为：

[[0.         0.         0.        ]
 [0.33333333 0.33333333 0.33333333]
 [0.66666667 0.66666667 0.66666667]]

另一个示例：

from sklearn.preprocessing import MinMaxScaler
import numpy as np

# 定义数据集
data = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]])

# 创建 MinMaxScaler 对象
scaler = MinMaxScaler(feature_range=(0, 10))

# 归一化操作
normalized_data = scaler.fit_transform(data)

print(normalized_data)

输出结果为：

[[ 0.          0.          0.        ]
 [ 3.33333333  3.33333333  3.33333333]
 [ 6.66666667  6.66666667  6.66666667]]

在这个示例中，feature_range 被设置为 (0,10)，使得归一化后的数据都在 0-10 之间。