迹忆客 专注技术分享

归一化意味着将给定的数据转换为另一个尺度。我们重新调整数据，使其介于两个值之间。大多数情况下，数据会在 0 和 1 之间重新缩放。我们出于不同的目的重新缩放数据。例如，当数据集值较小时，机器学习算法的性能会更好。

假设我们有一个列表 {1,2,3}，在标准化 0 和 1 的比例后，列表将是 {0, 0.5, 1}。我们也可以将我们的数据标准化为其他规模。假设在 2 和 6 之间。所以，如果我们在归一化后有列表 {1,2,3}，它将是 {2,4,6}。

归一化公式

了解标准化的工作原理。我们将看看它的公式。我们从每个数字中减去最小值，然后除以范围 i-e: max-min。因此，在输出中，我们得到了该特定数字的归一化值。

我们可以使用两种方法来归一化列表。我们可以使用内置函数，该函数在 sklearn 包的预处理模块中可用。或者我们可以为它制定与上面讨论的相同公式的逻辑。

使用 Python sklearn 中的 MinMaxScaler 函数归一化数字列表

sklearn 包的 preprocessing 模块中提供了一个名为 MinMaxScaler() 的内置方法。我们将创建一个一维 NumPy 数组并将其传递给函数。我们必须安装 NumPy 和 sklearn 软件包才能使用此功能。

示例代码：

# python 3.x
import numpy as np
from sklearn import preprocessing

list = np.array([6, 1, 0, 2, 7, 3, 8, 1, 5]).reshape(-1, 1)
print("Original List:", list)
scaler = preprocessing.MinMaxScaler()
normalizedlist = scaler.fit_transform(list)
print("Normalized List:", normalizedlist)

输出：

Original List: [[6]
 [1]
 [0]
 [2]
 [7]
 [3]
 [8]
 [1]
 [5]]
Normalized List: [[0.75 ]
 [0.125]
 [0.   ]
 [0.25 ]
 [0.875]
 [0.375]
 [1.   ]
 [0.125]
 [0.625]]

现在假设我们要指定归一化的范围。为此，我们将在 MinMaxScaler() 中指定我们的 range。默认情况下，如果我们不指定范围，它将是 0 和 1。但是我们可以定义我们的缩放范围。在此示例中，我们指定范围 0 和 3。

示例代码：

# python 3.x
import numpy as np
from sklearn import preprocessing

list = np.array([6, 1, 0, 2, 7, 3, 8, 1, 5]).reshape(-1, 1)
print("Original List:", list)
scaler = preprocessing.MinMaxScaler(feature_range=(0, 3))
normalizedlist = scaler.fit_transform(list)
print("Normalized List:", normalizedlist)

输出：

Original List: [[6]
 [1]
 [0]
 [2]
 [7]
 [3]
 [8]
 [1]
 [5]]
Normalized List: [[2.25 ]
 [0.375]
 [0.   ]
 [0.75 ]
 [2.625]
 [1.125]
 [3.   ]
 [0.375]
 [1.875]]

在 Python 中手动归一化数字列表

我们还可以通过为其编写完整的代码来手动归一化数字列表，该代码使用与上面讨论的归一化相同的公式。

示例代码：

list = [6, 1, 0, 2, 7, 3, 8, 1, 5]
print("Original List:", list)
xmin = min(list)
xmax = max(list)
for i, x in enumerate(list):
    list[i] = (x - xmin) / (xmax - xmin)
print("Normalized List:", list)

输出：

Original List: [6, 1, 0, 2, 7, 3, 8, 1, 5]
Normalized List: [0.75, 0.125, 0.0, 0.25, 0.875, 0.375, 1.0, 0.125, 0.625]