Python 实现数据归一化的几种方法

在数据科学和机器学习领域，归一化是一种常见的数据预处理技术，它将数据转换到特定的范围或分布，以便于后续的算法处理。Python 提供了多种方法来实现数据的归一化，以下是几种常用的方法。

1. 最小-最大归一化（Min-Max Normalization）

最小-最大归一化将数据转换到[0, 1]区间。公式如下：

\[ x_{norm} = \frac{x - x_{min}}{x_{max} - x_{min}} \]

其中，\( x_{norm} \) 是归一化后的值，\( x \) 是原始数据，\( x_{min} \) 是数据的最小值，\( x_{max} \) 是数据的最小值。

在 Python 中，可以使用 `numpy` 库来实现最小-最大归一化：

python

import numpy as np

# 假设 data 是你要归一化的数据

data = np.array([1, 2, 3, 4, 5])

min_max_scaler = MinMaxScaler()

data_norm = min_max_scaler.fit_transform(data.reshape(-1, 1))

2. 标准差归一化（Z-Score Normalization）

标准差归一化将数据转换到平均值为 0，标准差为 1 的正态分布。公式如下：

\[ x_{norm} = \frac{x - \mu}{\sigma} \]

其中，\( x_{norm} \) 是归一化后的值，\( x \) 是原始数据，\( \mu \) 是数据的平均值，\( \sigma \) 是数据的标准差。

在 Python 中，可以使用 `scipy` 库来实现标准差归一化：

python

from scipy import stats

# 假设 data 是你要归一化的数据

data = np.array([1, 2, 3, 4, 5])

mean = np.mean(data)

std = np.std(data)

data_norm = (data - mean) / std

3.

更多文章请关注《万象专栏》