今天小编给大家分享一下Python如何实现归一化算法的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
1.前言
归一化算法Normalization将数据处理成量纲一直的数据，一般限定在[0,1]、[-1,1]
一般在进行建模的时候需要进行数据归一化处理，
原因如下:
降低计算难度
有可能提高模型的预测精度
消除量纲影响
下面介绍三种常见的标准化方法，分别是最大最小值、正态中心化、小数点定标
2.Min-Max方法
2.1 公式
2.2 算法实现逻辑
找一组数据的最大最小值
利用公式归一化
输入结果(为了方便可视化展示，我们设计了代码)
2.3 代码
import numpy as npimport pandas as pdimport matplotlib.pyplot as plt# 1.最小最大标准化Data = np.array([[0.2,0.9,29], [0.9,0.1,100], [0.5,0.5,30]]) #最小－最大归一化算法# 1.1数据转化def MinMax(data): min = 0 max = 1 C = data[:,2] min = np.min(C) max = np.max(C) for one in data: one[2] = (one[2]-min) / (max-min) print('转化后的矩阵：\n',data) return data# 1.2可视化def ShowData(Data,ShowD1): length = len(Data) X = np.ones(Data.shape[0]) plt.figure(1) plt.subplot(121) for i in range(length): plt.scatter(X*(i+1),Data[:,i]) plt.subplot(122) for i in range(length): plt.scatter(X*(i+1),ShowD1[:,i]) plt.show()ShowData(Data,MinMax(Data.copy()))转化后的矩阵：
[[0.2 0.9 0. ]
[0.9 0.1 1. ]
[0.5 0.5 0.01408451]]
2.4局限
数据规模过大不适应
数据归一化后范围在[0,1]，对于一些有负有正数的原始数据慎用
3 Z-score标准化
3.1 公式
3.2 算法实现逻辑
输入数据
求取数据的均值、方法，在利用中心化公式计算
输出结果
3.3 代码
def Zscore(data): x_mean = np.mean(data[:2]) length = len(data[:,2]) vari = np.sqrt((np.sum((data[:2]-x_mean)**2))/length) print('方差:',vari) data[:,2] = (data[:,2]-x_mean)/vari print('Z-score标准化后的矩阵是',data) return dataShowData(Data,Zscore(Data.copy()))方差: 51.569160680908254
Z-score标准化后的矩阵是 [[0.2 0.9 0.13864876]
[0.9 0.1 1.5154406 ]
[0.5 0.5 0.15804019]]
3.4 局限
对样本量少的数据，表现不好
标准化后范围在有负有正，范围在[-1,1]
4 小数定标法
4.1 公式
4.2 算法实现逻辑
输入数据
绝对值化，最大值
将每个数除以最大值的数量级
输入数据
4.3 代码实现
# 小数定标归一化算法def Decimals(data): C = np.abs(data[:,2]) max = int(np.sort(C)[-1]) # 按从小到大排序，取最后一位，及最大值 k = len(str(max)) print('绝对值最大的位数：\n',k) data[:2] = data[:,2] /(10**k) print('小数点定标准化后的矩阵：\n',data) return dataShowData(Data,Decimals(Data.copy()))绝对值最大的位数：
3
小数点定标准化后的矩阵：
[[2.9e-02 1.0e-01 3.0e-02]
[2.9e-02 1.0e-01 3.0e-02]
[5.0e-01 5.0e-01 3.0e+01]]
4.4 局限
受到最大值影响较大
以上就是“Python如何实现归一化算法”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注编程网行业资讯频道。
