有没有什么方法不使用scikit-learn库，只用python基本库

是的，我们可以使用 Python 基本库来进行归一化操作。具体步骤如下：

1. 创建一个示例数据集。

data = {
    'col1': [1, 2, 3, 4, 5],
    'col2': [0, 10, 20, 30, 40]
}
df = pd.DataFrame(data)

2. 定义一个归一化函数。

def normalize(col):
    """将一列数据进行归一化"""
    max_val = max(col)
    min_val = min(col)
    return [(x - min_val) / (max_val - min_val) for x in col]

3. 调用归一化函数，生成新列。

df['col2_normalized'] = normalize(df['col2'])

最后，`df` 数据框中 `col2_normalized` 列的数据即为归一化后的结果。需要注意的是，这里只归一化了一列数据。如果需要对多列数据进行归一化，需要对 `normalize` 函数进行修改。

相关问题

有没有什么方法不使用scikit-learn库，只用pandas和numpy和基本库

是的，我们可以使用 Pandas 和 NumPy 库来进行归一化操作。具体步骤如下：

1. 创建一个示例数据集。

data = {
    'col1': [1, 2, 3, 4, 5],
    'col2': [0, 10, 20, 30, 40]
}
df = pd.DataFrame(data)

2. 定义一个归一化函数。

def normalize(col):
    """将一列数据进行归一化"""
    max_val = col.max()
    min_val = col.min()
    return (col - min_val) / (max_val - min_val)

3. 调用归一化函数，生成新列。

df['col2_normalized'] = normalize(df['col2'])

最后，`df` 数据框中 `col2_normalized` 列的数据即为归一化后的结果。需要注意的是，这里只归一化了一列数据。如果需要对多列数据进行归一化，需要对 `normalize` 函数进行修改。

python机器学习三个数组线性回归

线性回归是一种基本的机器学习算法，可以用于预测连续型变量的值。在Python中，可以使用NumPy和Scikit-learn库实现线性回归。

假设我们有3个数组x、y和z，分别表示自变量、因变量和要预测的变量。我们可以使用Scikit-learn库实现线性回归，如下所示：

import numpy as np
from sklearn.linear_model import LinearRegression

# 创建输入和输出数组
x = np.array([1, 2, 3, 4, 5]).reshape((-1, 1))
y = np.array([2, 4, 6, 8, 10])
z = np.array([6, 7, 8, 9, 10])

# 创建线性回归对象
model = LinearRegression()

# 训练模型
model.fit(x, y)

# 预测 z
z_pred = model.predict(np.array([6]).reshape((-1, 1)))
print(z_pred)

在这个例子中，我们使用了NumPy库创建了输入和输出数组x和y，然后使用Scikit-learn库的LinearRegression类创建了一个线性回归对象。我们使用fit()方法训练模型并使用predict()方法预测z的值。最后，我们打印出预测的z值。

注意，这个例子中我们只用了x和y来训练模型，然后用模型来预测z的值。如果你想要使用x、y和z来训练模型，可以将它们合并成一个输入数组，如下所示：

import numpy as np
from sklearn.linear_model import LinearRegression

# 创建输入和输出数组
x = np.array([1, 2, 3, 4, 5]).reshape((-1, 1))
y = np.array([2, 4, 6, 8, 10])
z = np.array([6, 7, 8, 9, 10])
inputs = np.concatenate((x, y.reshape((-1, 1))), axis=1)

# 创建线性回归对象
model = LinearRegression()

# 训练模型
model.fit(inputs, z)

# 预测 z
z_pred = model.predict(np.array([[6, 12]]))
print(z_pred)

在这个例子中，我们将x和y合并成一个输入数组inputs，并用inputs和z训练模型。我们使用predict()方法预测z的值，需要传递一个形状为(1, 2)的数组，其中第一个元素是x的值，第二个元素是y的值。