numpy归一化函数

以下是两种使用numpy进行归一化的方法：

1. 使用sklearn.preprocessing库中的MinMaxScaler类进行归一化：

from sklearn.preprocessing import MinMaxScaler
import numpy as np

data = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.]])
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)

2. 使用numpy的操作实现归一化公式：

import numpy as np

X = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])

# 归一化
X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_nor

# 逆转归一化
X_returned = X_nor * (X.max(axis=0) - X.min(axis=0)) + X.min(axis=0)
X_returned

相关问题

numpy 归一化函数

numpy中的归一化函数是`numpy.linalg.norm`。这个函数可以计算向量或矩阵的范数。在参数中，你可以指定范数的类型，默认为2范数（欧几里德范数）。

以下是一个使用`numpy.linalg.norm`函数对向量进行归一化的示例：

import numpy as np

# 创建一个向量
vector = np.array([1, 2, 3, 4, 5])

# 计算向量的2范数
norm_vector = np.linalg.norm(vector)

# 归一化向量
normalized_vector = vector / norm_vector

print(normalized_vector)

输出结果为：

[0.13483997 0.26967994 0.40451992 0.53935989 0.67419987]

对于矩阵的归一化，可以通过指定`axis`参数来指定沿哪个轴进行归一化。例如，对于矩阵每行归一化的示例：

import numpy as np

# 创建一个矩阵
matrix = np.array([[1, 2], [3, 4], [5, 6]])

# 计算每行的2范数
norm_matrix = np.linalg.norm(matrix, axis=1, keepdims=True)

# 归一化矩阵
normalized_matrix = matrix / norm_matrix

print(normalized_matrix)

输出结果为：

[[0.4472136  0.89442719]
 [0.6        0.8       ]
 [0.6401844  0.76822128]]

这样每一行的范数都变成了1。

numpy的归一化函数

可以使用numpy中的normalize函数来进行归一化操作。使用方法如下：

import numpy as np

data = np.array([[1, 2], [3, 4]])

# 对每一行进行归一化
normalized_data = np.linalg.normalize(data, axis=1)

print(normalized_data)

输出结果为

[[0.4472136  0.89442719]
 [0.6        0.8       ]]

其中，每一行的数据被除以了该行数据的模长，从而实现了归一化的操作。