目录

标准化处理

0-1标准化:

z-score标准化：

1、用自带的函数来操作

实现z-score标准化

实现0-1标准化

2、自定义函数实现

实现z-score标准化

实现0-1标准化

标准化处理

0-1标准化:

对输出结果范围有要求，数据较为稳定的，不存在极端的最大最小值

z-score标准化：

数据存在异常值和较多的噪音，可以间接通过中心化避免异常值和极端值的影响

1、用自带的函数来操作

实现z-score标准化

from sklearn.preprocessing import StandardScaler   #实现z-score标准化X_test=df_sum.iloc[:,-3:]    #实例化对象b_test=StandardScaler()      #训练数据，赋值给b_testX_result=b_test.fit_transfORM(X_test) print(X_result)       #查看训练数据

实现0-1标准化

from sklearn.preprocessing import MinMaxScalerX_test=df_sum.iloc[:,-3:]    #实例化对象b_test=MinMaxScaler()      #训练数据，赋值给b_testX_result=b_test.fit_transform(X_test)   print(X_result)        #查看训练数据

2、自定义函数实现

实现z-score标准化

#定义标准化函数import numpy as npdef z_score_normalize(data):        mean = np.mean(data, axis=0)        std_dev = np.std(data, axis=0)        normalized_data = (data - mean) / std_dev        return normalized_data

#调用X=df_sum.iloc[:,-3:]b=z_score_normalize(X)print(b)

实现0-1标准化

#定义0-1标准化的代码import numpy as npdef normalize(X):        """    对矩阵X进行0-1标准化    """        X_min = np.min(X, axis=0)        X_max = np.max(X, axis=0)        X_norm = (X - X_min) / (X_max - X_min)        return X_norm

#实现与调用X=df_sum.iloc[:,-3:]b=normalize(X)print(b)

来源地址：https://blog.csdn.net/qq_51697761/article/details/129898992