特征工程之特征缩放：行归一化（范数化，Normalizer）python

特征工程之特征缩放：行归一化（范数化，Normalizer）python

在机器学习中，数据预处理通常包括特征工程，而特征工程的目的就是将原始数据转化为更具有表征性的特征。特征缩放是特征工程中最重要的步骤之一，因为不同的特征通常具有不同的尺度和分布，而特征缩放可以帮助我们将数据调整为一个更统一的尺度和范围，从而更好地适应模型。

本文将介绍特征缩放中的一种方法——行归一化（范数化），并用Python代码演示其实现过程。

1.行归一化

行归一化，也叫做范数化，是一种将每个样本的特征向量缩放到单位范数的方法，即调整每个样本的特征向量使得它们的欧几里得距离都为1，这样可以保证样本在各个特征方向上的比重是相同的。

实现行归一化可以使用sklearn.preprocessing库中的Normalizer类，其中可选的参数有norm和copy。norm参数指定了要使用的范数类型，可以选择l1、l2和max，默认值是l2；copy参数指定了是否复制原本的数据进行操作，True表示复制，False表示直接在原始数据上进行操作。

2.范例代码

下面的示例代码演示了如何使用Normalizer类进行行归一化，其中使用的数据是sklearn.datasets库中的digits数据集。