sklearn数据预处理（三）归一化

@R星校长

第3关：归一化

任务描述

本关任务：利用sklearn对数据进行归一化。

相关知识

为了完成本关任务，你需要掌握：1.为什么使用归一化，2.L1范式归一化，3.L2范式归一化。

为什么使用归一化

归一化是缩放单个样本以具有单位范数的过程。归一化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反而能提高数据的表现，这些性质是归一化的前提。归一化能够加快模型训练速度，统一特征量纲，避免数值太大。 值得注意的是，归一化是对每一个样本做转换，所以是对数据的每一行进行变换。 而之前我们讲过的方法是对数据的每一列做变换。

L1范式归一化

L1范式定义如下：

表示向量x中每个元素的绝对值之和。
L1范式归一化就是将样本中每个特征除以特征的L1范式。

在sklearn中使用normalize方法实现，用法如下：

from sklearn.preprocessing import normalize

data = np.array([[-1,0,1],
                 [1,0,1],
                 [1,2,3]])
data = normalize(data,'l1')

>>>data
array([[-0.5  ,  0.   ,  0.5  ],
       [ 0.5  ,  0.   ,  0.5  ],
       [ 0.167,  0.333,  0.5  ]])

L2范式归一化

L2范式定义如下：

表示向量元素的平方和再开平方根。
L2范式归一化就是将样本中每个特征除以特征的L2范式。

在sklearn中使用normalize方法实现，用法如下：

from sklearn.preprocessing import normalize

data = np.array([[-1,0,1],
                 [1,0,1],
                 [1,2,3]])
data = normalize(data,'l2')

>>>data
array([[-0.707,  0.   ,  0.707],
       [ 0.707,  0.   ,  0.707],
       [ 0.267,  0.535,  0.802]])

编程要求

根据提示，在右侧编辑器Begin-End处补充Python代码，实现数据归一化方法，我们会使用实现好的方法对数据进行处理。

测试说明

我们会调用你实现的方法对数据进行处理，如数据为：

data = np.array([[-1,0,1],
                 [1,0,1],
                 [1,2,3]])

使用L1归一化则输出为：

array([[-0.5  ,  0.   ,  0.5  ],
       [ 0.5  ,  0.   ,  0.5  ],
       [ 0.167,  0.333,  0.5  ]])

使用L2归一化则输出为：

array([[-0.707,  0.   ,  0.707],
       [ 0.707,  0.   ,  0.707],
       [ 0.267,  0.535,  0.802]])

数据处理正确则视为通关。

开始你的任务吧，祝你成功！

答案：

# -*- coding: utf-8 -*-

from sklearn.preprocessing import normalize

#实现数据归一化方法
def normalization(x,y):
    '''
    x(ndarray):待处理数据
    y(int):y等于1则使用"l1"归一化
           y等于2则使用"l2"归一化
    '''
    #********* Begin *********#
    if y == 1:
    	x = normalize(x,norm='l1')
    	return x
    elif y == 2:
    	x = normlize(x,norm='l2')
    	return x
    #********* End *********#