归一化处理
特点：通过对原始数据进行变换把数据映射到(默认为[0,1])之间
from sklearn.preprocessing import MinMaxScaler
def mm():"""归一化处理:return: NOne"""mm = MinMaxScaler(feature_range=(2,3))data = mm.fit_transform([[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]])print(data)return None
if __name__ == "__main__":mm()
运行结果：
D:\softwares\anaconda3\python.exe D:/PycharmProjects/MyTest/Day_0707/__init__.py
[[3. 2. 2. 2. ][2. 3. 3. 2.83333333][2.5 2.5 2.6 3. ]]Process finished with exit code 0归一化目的：使得一个特征对结果不会造成更大的影响。
归一化缺点：注意在特定场景下最大最小值是变化的，最大最小值容易受异常点影响，鲁棒性差，只适合传统精确小数据场景。
标准化
1、特点：通过对原始数据进行变换把数据变换到均值为0,方差为1范围内
对于归一化来说：如果出现异常点，影响了最大值和最小值，那么结果显然
会发生改变
对于标准化来说：如果出现异常点，由于具有一定数据量，少量的异常点对
于平均值的影响并不大，从而方差改变较小。
from sklearn.preprocessing import StandardScaler
def stand():"""标准化缩放:return:"""std = StandardScaler()data = std.fit_transform([[ 1., -1., 3.],[ 2., 4., 2.],[ 4., 6., -1.]])print(data)return None
if __name__ == "__main__":stand()
运行结果
D:\softwares\anaconda3\python.exe D:/PycharmProjects/MyTest/Day_0707/__init__.py
[[-1.06904497 -1.35873244 0.98058068][-0.26726124 0.33968311 0.39223227][ 1.33630621 1.01904933 -1.37281295]]Process finished with exit code 0
