用python实现最大—最小标准化和平均值标准化函数

在Python中，最大-最小标准化（也称为min-max scaling）和平均值标准化（也称为z-score标准化）是非常常见的数据预处理技术，它们用于将数值特征转换到一个固定的范围内，便于模型训练和理解。

**最大-最小标准化 (Min-Max Scaling)**:

这种标准化方法将每个特征的值缩放到0到1之间，公式如下：

\[ x_{scaled} = \frac{x - x_{min}}{x_{max} - x_{min}} \]

其中 `x` 是原始值，`x_{min}` 和 `x_{max}` 分别是该特征的最小值和最大值。

**平均值标准化 (Z-Score Scaling):**

这种方法将每个特征的值转换为标准正态分布，即均值为0，标准差为1。公式如下：

\[ x_{scaled} = \frac{x - \mu}{\sigma} \]

其中 `x` 是原始值，`μ` 是特征的平均值，`σ` 是特征的标准差。

以下是两个函数的示例实现：

def min_max_scaling(data):
    data_min = data.min()
    data_max = data.max()
    return (data - data_min) / (data_max - data_min)

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

# 使用示例
# 假设你有一个名为df的数据框，其列名分别为col1, col2等
# df[['col1', 'col2']] 将提取DataFrame的指定列
col_to_scale = df[['col1', 'col2']]
col_scaled_min_max = min_max_scaling(col_to_scale)
col_scaled_zscore = z_score_scaling(col_to_scale)