机器学习中，很多算法的计算逻辑是基于数学的，免不了求特征值和特征向量这种事情，因此，在数据预处理的时候，将数据源中的数据转储成矩阵格式是很有必要的。

原数据：

代码： 

import numpy as np
import pandas as pd
import xlrd
from sklearn import preprocessingdef excel_to_matrix(path):table = xlrd.open_workbook(path).sheets()[0]#获取第一个sheet表row = table.nrows  # 行数col = table.ncols  # 列数datamatrix = np.zeros((row, col))#生成一个nrows行ncols列，且元素均为0的初始矩阵for x in range(col):cols = np.matrix(table.col_values(x))  # 把list转换为矩阵进行矩阵操作datamatrix[:, x] = cols # 按列把数据存进矩阵中#数据归一化   min_max_scaler = preprocessing.MinMaxScaler()datamatrix  = min_max_scaler.fit_transform(datamatrix)return datamatrixdatafile = u'E:\\pythondata\\test.xlsx'
excel_to_matrix(datafile)

运行结果：

array([[1.        , 0.13209733, 1.        ],[0.43478261, 0.16917729, 0.26420934],[0.5942029 , 0.87949015, 0.4372538 ],[0.60869565, 0.50405562, 0.        ],[0.11594203, 1.        , 0.51547552],[0.        , 0.        , 0.87070906]])

代码中min_max_scaler = preprocessing.MinMaxScaler()是做数据归一化用的，MinMaxScaler()默认将数据归一到  [0, 1]，这是比较常用的，但是也有一些时候是归一到 [-1, 1]，有时候是需要做数据标准化，而这些东西都在另外一篇文章中说过了，下面是链接，参考着学习吧，一起成长！

Python数据预处理 - 归一化与标准化