minmaxscaler()函数

MinMaxScaler 是 Scikit-Learn 库中用于数据归一化的函数。它可以将数据缩放到指定的最小值和最大值之间，通常用于数据预处理步骤，使得不同尺度的特征具有可比性。

以下是 MinMaxScaler 的基本使用方法：

  1. 导入 MinMaxScaler 函数：
from sklearn.preprocessing import MinMaxScaler
  1. 准备数据，这里以 NumPy 数组为例：
data = np.array([[1, 1000], [5, 1500], [10, 2000]])
  1. 创建 MinMaxScaler 对象：
scaler = MinMaxScaler()
  1. 使用 fit_transform 方法对数据进行归一化处理：
scaled_data = scaler.fit_transform(data)

fit_transform 方法会先通过 fit 方法学习数据的范围，然后使用 transform 方法对数据进行转换。

  1. 打印归一化后的数据：
print(scaled_data)

运行上述代码后，你将得到归一化后的数据，其值位于指定的 feature_range 内，默认是 [0, 1]。

如果你需要指定其他的 feature_range，可以在创建 MinMaxScaler 对象时传入 feature_range 参数，例如：

scaler = MinMaxScaler(feature_range=(0.1, 0.9))

这将把数据缩放到 0.1 到 0.9 的范围内。

需要注意的是，MinMaxScaler 不会改变数据的分布，它仅仅是对数据的数值进行缩放，使得它们落入指定的范围内。

Top
×
×