python数据归一化处理代码 展示3种以上

Python中对数据进行归一化处理是非常常见的，特别是在处理数值型特征时，确保所有数据在同一尺度上可以提高模型的性能。这里有三种常见的数据归一化方法：

1. **最小-最大规范化（Min-Max Scaling）**:

import numpy as np

def min_max_scaling(data):
    min_val = data.min()
    max_val = data.max()
    return (data - min_val)

# 示例数据
data = np.array([10, 20, 30, 40, 50])
normalized_data = min_max_scaling(data)

2. **Z-score标准化（Standardization）**:

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
scaler.fit(data.reshape(-1, 1))  # 假设数据是1D数组，需要先转换为二维
normalized_data = scaler.transform(data.reshape(-1, 1))

这里使用了`sklearn`库的`StandardScaler`，它会将数据转换到平均值为0，标准差为1的标准正态分布。

3. **零均值单位方差规范化（Zero Mean Unit Variance, ZMUV）**:

def zero_mean_unit_variance(data):
    mean = data.mean()
    std_dev = data.std()
    return (data - mean) / std_dev

data = [5, 10, 15, 20, 25]
normalized_data = zero_mean_unit_variance(data)

这个方法简单地减去数据集的均值并除以其标准差，使得数据的均值变为0，方差变为1。