[Python数据预处理] 规范化（归一化）

最新推荐文章于 2024-07-09 14:17:32 发布

memoryqiu

最新推荐文章于 2024-07-09 14:17:32 发布

阅读量7.9k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： Python

本文链接：https://blog.youkuaiyun.com/sinat_25873421/article/details/80753121

Python 专栏收录该内容

45 篇文章

订阅专栏

本文介绍了数据规范化的基本概念及其重要性，并详细解释了两种主要的数据规范化方法：最小-最大规范化和零-均值规范化。通过示例代码展示了如何使用Python中的pandas和numpy库来实现这两种规范化方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据规范化

为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化（归一化）处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。

数据规范化方法主要有：
- 最小-最大规范化
- 零-均值规范化

数据示例

这里写图片描述

代码实现

#-*- coding: utf-8 -*-
#数据规范化
import pandas as pd
import numpy as np

datafile = '../data/normalization_data.xls' #参数初始化
data = pd.read_excel(datafile, header = None) #读取数据

(data - data.min())/(data.max() - data.min()) #最小-最大规范化
(data - data.mean())/data.std() #零-均值规范化

从命令行可以看到下面的输出：

>>> (data-data.min())/(data.max()-data.min(
          0         1         2         3
0  0.074380  0.937291  0.923520  1.000000
1  0.619835  0.000000  0.000000  0.850941
2  0.214876  0.119565  0.813322  0.000000
3  0.000000  1.000000  1.000000  0.563676
4  1.000000  0.942308  0.996711  0.804149
5  0.264463  0.838629  0.814967  0.909310
6  0.636364  0.846990  0.786184  0.929571

>>> (data-data.mean())/data.std()
          0         1         2         3
0 -0.905383  0.635863  0.464531  0.798149
1  0.604678 -1.587675 -2.193167  0.369390
2 -0.516428 -1.304030  0.147406 -2.078279
3 -1.111301  0.784628  0.684625 -0.456906
4  1.657146  0.647765  0.675159  0.234796
5 -0.379150  0.401807  0.152139  0.537286
6  0.650438  0.421642  0.069308  0.595564