标签：detail image maxscale core min tps 需要 机器学习 class
在进行数据分析或者机器学习时，通常需要对数据进行预处理，其中主要的步骤就是数据标准化/归一化。
常用的数据标准化和归一化方法主要有：
1. 最大最小标准化
y=(x-min(x))/(max(x)-min(x))，x为一序列，即x={x1,x2,x3......}，max(x)为最大值，min(x)为最小值
2. z-score标准化
y=(x-mean(x))/std(x)，mean(x)指的是均值，std(x)指的是标准差，结果会形成均值为0，方差为1的序列
3. 直接归一化
y=x/sum(x)，sum(x)指的是x序列的和
其中，Python实现 z-score的方法如下：
import numpy as np
aa = np.array([2,3,9,6,8]) bb = np.array([5,6,3,7,9]) cc = np.array([aa, bb]) print(cc) cc_mean = np.mean(cc, axis=0) #axis=0,表示按列求均值 ——— 即第一维，每一列可看做一个维度或者特征 cc_std = np.std(cc, axis=0) cc_zscore = (cc-cc_mean)/cc_std #直接计算，对数组进行标准化，一定要注意维度
同时，scikit-learn也集成了z-score标准化的方法：
from sklearn.preprocessing import StandardScaler scaler = StandardScaler() #scaler.fit(cc) #trans_data_2 = scaler.transform(cc) cc_zscore_sk = scaler.fit_transform(cc) #与上面numpy的计算结果一致
Python实现最大最小标准化的代码也很简单：
cc_min_max = (cc-np.min(cc, axis=0))/(np.max(cc, axis=0)-np.min(cc, axis=0))
或者使用sklearn包：
from sklearn.preprocessing import MinMaxScaler cc_min_max = MinMaxScaler().fit_transform(cc)
##
注：pandas同样可以类似实现。
参考：
https://www.jianshu.com/p/fa73a07cd750
https://blog.csdn.net/qq_38958113/article/details/98050932
标签：detail image maxscale core min tps 需要 机器学习 class
原文地址：https://www.cnblogs.com/qi-yuan-008/p/12608006.html
