python 归一化_数据预处理——标准化/归一化（实例）

好的，下面是我对你的回答：

在机器学习中，数据预处理是非常重要的一步。其中，标准化和归一化是两种常见的数据预处理方法。接下来我会给你介绍一下归一化的实例。

归一化是将数据按比例缩放，使其落入一个小的特定区间内。归一化可以使得不同量纲的特征处于同一量级，避免了由于特征值过大而对模型产生的影响。

下面是一个简单的例子，假设有一个数据集，其中包含了两个特征，分别是身高和体重。我们希望对这两个特征进行归一化处理。

import numpy as np

# 创建一个示例数据集
data = np.array([[170, 60], [180, 70], [160, 50], [155, 45]])

# 计算每个特征的最大值和最小值
maxs = np.max(data, axis=0)
mins = np.min(data, axis=0)

# 对数据进行归一化处理
normalized_data = (data - mins) / (maxs - mins)

print(normalized_data)

输出结果为：

array([[0.66666667, 0.66666667],
       [1.        , 1.        ],
       [0.        , 0.        ],
       [0.        , 0.        ]])

可以看到，经过归一化处理后，所有特征都被缩放到了0到1的范围内。

当然，这只是一个简单的例子。在实际应用中，我们可能需要对多个特征进行归一化处理，并且需要考虑特征的分布情况等因素。