【机器学习实战】使用sklearn中的MinMaxScaler对数据进行归一化处理

1.概述

当数据(x)按照最小值中心化后，再按极差（最大值 - 最小值）缩放，数据移动了最小值个单位，并且会被收敛到[0,1]之间，而这个过程，就叫做数据归一化(Normalization），又称Min-Max Scaling。

• 归一化后的数据服从正态分布。
• 公式：
  

2.代码实现

2.1 代码

from sklearn.preprocessing import MinMaxScaler
import pandas as pd
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
# pd.DataFrame(data)
# 实现归一化
scaler = MinMaxScaler() # 实例化
scaler.fit(data) # 在这里本质是生成min(x)和max(x)
result = scaler.transform(data) # 通过接口导出结果
# 使用MinMaxScaler的参数feature_range实现将数据归一化到[0,1]以外的范围中
scaler1 = MinMaxScaler(feature_range=[5,10])
result1 = scaler1.fit_transform(data)
result1

2.2 结果

• 归一化之前的数据：
  

• 归一化后（默认缩放范围为[0,1]）：
  

• 归一化到指定范围：

【PS】这是我看看sklearn菜菜的视频学习笔记~