matlab 归一化(mapminmax)与python归一化(sklearn.preprocessing.MinMaxScaler)比较

1. matlab mapminmax归一化函数：

函数用法： [Xn,Xps]=mapminmax(X,min,max)

说明：（1）该函数将X按行归一化，即计算某元素的归一化值时，最大最小值时该元素所处行的最大最小值；因此若只有一组观测时，X需是1*N的行向量。

　　　（2）min,max规定X的归一化范围，根据需要自行设置

　　　（3）ps是结构变量记录了归一化时的最大值最小值等参数，后续可重复调用

　　　　　　调用方法：X1=mapminmax('apply', X_new,Xps);%利用先前的结构Xps进行相同的归一化

　　　　　　　　　　　X2=mapminmax('reverse',Xn, Xps);%反归一化

例:

x=[1,-1,2;

　　　2,0,0;

　　　0,1,-1]

[x1,Xps]=mapminmax(x,0,1)

>>x1=0.6667 0 1

　　   1 0 0

　　　0.5 1 0

2.python sklearn.preprocessing.MinMaxScaler

函数用法：

min_max_scaler = preprocessing.MinMaxScaler(feature_range=(0,1))#这里feature_range根据需要自行设置，默认（0,1）

X_train_minmax = min_max_scaler.fit_transform(X)

X=min_max_scaler.inverse_transform(X_train_minmax)#利用上面的归一化结构反归一化

说明：(1)这里是先定义一个结构min_max_scaler, 并规定这个结构的映射最大最小值

            (2)sklearn中的这个归一化是对列进行归一化，公式：

        X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))

        X_scaled = X_std * (max - min) + min

                 因此要得到matlab中的结果需要转至

            (3)对于python中的axis=0 和axis=1的问题：

 如df.mean其实是在每一行上取所有列的均值，而不是保留每一列的均值。也许简单的来记就是axis=0代表往跨行（down)，而axis=1代表跨列（across)，作为方法动作的副词（译者注）

换句话说:

• 使用0值表示沿着每一列或行标签\索引值向下执行方法
• 使用1值表示沿着每一行或者列标签模向执行对应的方法

    

python归一化例子：

#归一化处理

from sklearn import preprocessing
import numpy as np
X_train = np.array([[ 1., -1.,  2.],
                    [ 2.,  0.,  0.],
                    [ 0.,  1., -1.]])

X_test = np.array([[ -3., -1.,  4.]])

#标准化均值方差

X_scaled = preprocessing.scale(X_train)

#利用transform多次使用归一化结构scaler = preprocessing.StandardScaler().fit(X_train)scaler.transform(X_train)#最大值最小值归一化到指定范围min_max_scaler = preprocessing.MinMaxScaler()min_max_scaler = preprocessing.MinMaxScaler(feature_range=(0,1))X_train_minmax = min_max_scaler.fit_transform(X_train)X=min_max_scaler.inverse_transform(X_train_minmax)

结果：

In[22]:

min_max_scaler = preprocessing.MinMaxScaler(feature_range=(0,1))
X_train_minmax = min_max_scaler.fit_transform(X_train.T)
X_train_minmax
Out[23]: 
array([[ 0.66666667,  1.        ,  0.5       ],
       [ 0.        ,  0.        ,  1.        ],
       [ 1.        ,  0.        ,  0.        ]])