第二节 数值型特征进行归一化或标准化处理

# 归一化的计算公式决定了其对异常值很敏感，一旦出现异常值会导致鲁棒性较差，所以归一化只适合传统精确小数据场景
from sklearn.preprocessing import MinMaxScaler

def mm():
    # feature_range指定归一化后的数据范围，不指定就是0-1之间
    mm = MinMaxScaler(feature_range=(2, 3))

    # fit_transform接收数组
    data = mm.fit_transform([[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]])

    print(data)


if __name__ == "__main__":
    mm()

# 标准化也是用来去除量纲的影响，但是在大数据量下，其对异常值的耐受性比较好
from sklearn.preprocessing import StandardScaler

def stand():
    std = StandardScaler()

    # fit_transform接收数组
    data = std.fit_transform([[1, -1, 3], [2, 4, 2], [4, 6, -1]])

    print(data)


if __name__ == "__main__":
    stand()