? ? ? ? ? ? ? ? ? ? ?Scikit-learn 數據預處理之行范數縮放NormalizerScaler

1 聲明

本文的數據來自網絡，部分代碼也有所參照，這里做了注釋和延伸，旨在技術交流，如有冒犯之處請聯系博主及時處理。

2 NormalizerScaler簡介

NormalizerScaler是對樣本的行進行范數縮放，主要有兩種形式：

• norm="l2"，按行求出每個特征的歐氏距離等于1。
• norm="l1"，按行求出每個特征的絕對值距離等于1。

應用場景：有許多等價的特征時，比如文本分類里的每個單詞都是一個特征時。

3 NormalizerScaler

• 示例一:

import numpy as np from sklearn.preprocessing import Normalizer # Create feature matrix features = np.array([[0.5, 0.5], [1.1, 3.4], [1.5, 20.2], [1.63, 34.4], [10.9, 3.3]]) normalizer = Normalizer(norm="l2") print(normalizer.transform(features))

L2法計算方法:

注:? 1 這里是按照行（樣本）求，每次取列的一個元素。

???? 2 求的新的x之間仍保持原比例。

計算示例詳解:

L1法計算方法:

注:? 1 這里是按照行求，每次取列的一個元素。

? ? ? 2 求的新的x之間仍保持原比例。

• 示例二:

import pandas as pd from sklearn.preprocessing import Normalizer data = pd.DataFrame({'a':[1,2,3],'b':[5,6,6],'c':[9,100,2]} )normalizer = Normalizer(norm="l2") normalizer_data = normalizer.fit_transform(data) print(normalizer_data)

normalizer = Normalizer(norm="l1") normalizer_data = normalizer.fit_transform(data) print(normalizer_data)

注:這里的數據矩陣形式如下：

總結

以上是生活随笔為你收集整理的Scikit-learn数据预处理之范数缩放NormalizerScaler的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。