MinMaxScaler函数使用实例

MinMaxScaler函数是scikit-learn中的一个数据预处理函数，用于将数据缩放到指定的范围内，通常是[0,1]或[-1,1]。

以下是一个使用MinMaxScaler函数的简单示例，其中我们首先使用NumPy生成一些假数据，然后使用MinMaxScaler将其缩放至[0,1]范围内：

import numpy as np
from sklearn.preprocessing import MinMaxScaler

# 生成一些随机数据
data = np.random.randint(0, 100, size=(10, 2))

# 创建一个MinMaxScaler对象
scaler = MinMaxScaler()

# 对数据进行缩放
scaled_data = scaler.fit_transform(data)

print("原始数据：\n", data)
print("\n缩放后的数据：\n", scaled_data)

输出：

原始数据：
 [[54 75]
 [ 2 79]
 [69 49]
 [75 90]
 [39 68]
 [44 22]
 [11 13]
 [57 79]
 [ 3 78]
 [70 62]]

缩放后的数据：
 [[0.76271186 0.78947368]
 [0.         0.84210526]
 [0.89830508 0.47368421]
 [1.         1.        ]
 [0.50847458 0.68421053]
 [0.59322034 0.07894737]
 [0.11864407 0.        ]
 [0.83050847 0.84210526]
 [0.01694915 0.82894737]
 [0.91525424 0.57894737]]

可以看到，原始数据中的每个元素都被缩放到[0,1]范围内。这在某些机器学习任务中很有用，例如神经网络中的输入数据缩放和数据可视化。