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_test
X_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 MinMaxScaler
X_test=df_sum.iloc[:,-3:] #实例化对象
b_test=MinMaxScaler() #训练数据,赋值给b_test
X_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 np
def 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)
文章来源:https://www.toymoban.com/news/detail-506915.html
实现0-1标准化
#定义0-1标准化的代码
import numpy as np
def 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)
文章来源地址https://www.toymoban.com/news/detail-506915.html
到了这里,关于python实现z-score标准化和0-1标准化的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!