python 归一化处理

在Python中，有多种方法可以进行归一化处理。其中两种常见的方法是min-max标准化和Z-score标准化。

min-max标准化是一种将数据缩放到指定范围的方法。下面是一个示例代码，展示了如何使用min-max标准化对数据进行归一化处理：

import numpy as np

arr = np.asarray([0, 10, 50, 80, 100])

for x in arr:
    x = float(x - np.min(arr))/(np.max(arr)- np.min(arr))
    print(x)

这段代码将数组`arr`中的每个元素进行归一化处理，并打印出结果。归一化后的结果范围在0到1之间。

另一种常见的归一化方法是Z-score标准化。下面是一个示例代码，展示了如何使用Z-score标准化对数据进行归一化处理：

import numpy as np

arr = np.asarray([0, 10, 50, 80, 100])

mean = np.mean(arr)
std = np.std(arr)

for x in arr:
    x = (x - mean) / std
    print(x)

这段代码将数组`arr`中的每个元素进行Z-score标准化，并打印出结果。归一化后的结果具有均值为0，标准差为1的特性。

除了min-max标准化和Z-score标准化，还有其他归一化方法，比如Sigmoid函数。Sigmoid函数可以将数据映射到(0, 1)的范围内。但是需要注意的是，Sigmoid函数在数据趋向于正无穷和负无穷时，映射出来的值会无限趋向于1和0。因此，在使用Sigmoid函数进行归一化处理时，需要考虑分割阈值的选择。