欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  后端开发

python归一化多维数组的方法

程序员文章站 2022-03-18 22:45:22
...
本篇文章给大家分享的内容是python归一化多维数组的方法 ,具有一定的参考价值,有需要的朋友参考一下

今天遇到需要归一化多维数组的问题,但是在网上查阅了很多资料都是归一化数组的一行或者一列,对于怎么归一化一个多维数组的资料比较少,可是在tensorflow中为了训练神经网络常常需要用到多维数据。因此归一化多维数组非常有必要。

在查阅了大量资料之后发现在sklearn库中的preprocessing可以直接归一化多维数组。

1、使用sklearn.preprocessing.scale()函数,对给定数据进行标准化:具体公式是(x - mean)/std。其含义是:对每一列的数据减去这一列的均值,然后除以这一列数据的标准差。最终得到的数据都在0附近,方差为1。具体程序示例如下:

from sklearn import preprocessing

data_normal = preprocessing.scale(data)#data是多维数据

2、使用sklearn.preprocessing.StandardScaler类,这个类可以计算每一列数据的均值和方差,并根据均值和方差直接把原始数据归一化。简单示例如下:

from sklearn import preprocessing

#计算原始数据每行和每列的均值和方差,data是多维数据
scaler = preprocessing.StandardScaler().fit(data)
#得到每列的平均值,是一维数组
mean = scaler.mean_ 
#得到每列的标准差,是一维数组   
std = scaler.std_                                        
#标准化数据
data_nomal = scaler.transform(data)    
#可以直接使用训练集对测试集数据进行转换  
scaler.transform([[-1.,  1., 0.]])

3、sklearn.preprocessing.MinMaxScaler类把数据缩放到一个指定的范围。具体示例如下:

from sklearn import preprocessing

min_max_scaler = preprocessing.MinMaxScaler()
#标准化训练集数据
data_train_nomal = min_max_scaler.fit_transform(data_train)
 
#对测试集数据进行相同的归一化处理
data_test_minmax = min_max_scaler.transform(data_test)
#获取缩放因子属性,结果是一维数组
min_max_scaler.scale_                             
min_max_scaler.min_

4、附sklearn.preprocessing还可以做正则化

(1)preprocessing.normalize()对数据做正则化转换

data_normalized = preprocessing.normalize(data, norm='l2')

(2)preprocessing.Normalizer()先拟合数据再对数据进行正则化变换

normalizer = preprocessing.Normalizer().fit(data)  #拟合原始数据,data是多维数组
normalizer.transform(data) #正则化


相关推荐:

python字符串如何转为二维数组

python分治法求二维数组局部峰值方法_python


以上就是python归一化多维数组的方法 的详细内容,更多请关注其它相关文章!