数据归一化的方式

东方耀

数据归一化的方式


from sklearn.preprocessing import MinMaxScaler
最值归一化 normalization ：把所有数据映射到0-1之间 适用于分布有明显边界的情况


from sklearn.preprocessing import StandardScaler
均值方差归一化 standardization ：把所有数据归一化到均值为0 方差为1的分布中 没有明显的边界的情况也适用

1. import numpy as np
   
2. 
   
3. 
   
4. class StandardScaler:
   
5. 
   
6.     def __init__(self):
   
7.         self.mean_ = None
   
8.         self.scale_ = None
   
9. 
   
10.     def fit(self, X):
    
11.         """根据训练数据集X获得数据的均值和方差"""
    
12.         assert X.ndim == 2, "The dimension of X must be 2"
    
13. 
    
14.         self.mean_ = np.array([np.mean(X[:,i]) for i in range(X.shape[1])])
    
15.         self.scale_ = np.array([np.std(X[:,i]) for i in range(X.shape[1])])
    
16. 
    
17.         return self
    
18. 
    
19.     def transform(self, X):
    
20.         """将X根据这个StandardScaler进行均值方差归一化处理"""
    
21.         assert X.ndim == 2, "The dimension of X must be 2"
    
22.         assert self.mean_ is not None and self.scale_ is not None, \
    
23.                "must fit before transform!"
    
24.         assert X.shape[1] == len(self.mean_), \
    
25.                "the feature number of X must be equal to mean_ and std_"
    
26. 
    
27.         resX = np.empty(shape=X.shape, dtype=float)
    
28.         for col in range(X.shape[1]):
    
29.             resX[:,col] = (X[:,col] - self.mean_[col]) / self.scale_[col]
    
30.         return resX

复制代码