如何写MinMaxScaler()函数
时间: 2024-05-02 07:16:26 浏览: 54
下面是一个简单的MinMaxScaler类的示例实现:
```python
import numpy as np
class MinMaxScaler:
def __init__(self, feature_range=(0, 1)):
self.feature_range = feature_range
def fit(self, X):
self.min_ = np.min(X, axis=0)
self.max_ = np.max(X, axis=0)
def transform(self, X):
X_scaled = (X - self.min_) / (self.max_ - self.min_)
X_scaled = X_scaled * (self.feature_range[1] - self.feature_range[0]) + self.feature_range[0]
return X_scaled
def fit_transform(self, X):
self.fit(X)
return self.transform(X)
```
这个类实现了三个方法:
1. `__init__(self, feature_range=(0, 1))`: 构造函数,用于初始化特征缩放的范围,默认为(0, 1)。
2. `fit(self, X)`: 用于计算X的最小值和最大值。
3. `transform(self, X)`: 用于对X进行特征缩放。
4. `fit_transform(self, X)`: 用于计算X的最小值和最大值,并对X进行特征缩放。
在调用 `fit()` 方法后,`MinMaxScaler` 类将计算每个特征的最小值和最大值,以便进行特征缩放。然后,可以使用 `transform()` 方法来缩放数据集。`fit_transform()` 方法将计算最小值和最大值,并使用它们来转换数据集。
示例用法:
```python
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
scaler = MinMaxScaler(feature_range=(-1, 1))
X_scaled = scaler.fit_transform(X)
print(X_scaled)
```
输出:
```
[[-1. -1. -1. ]
[ 0. 0. 0. ]
[ 1. 1. 1. ]]
```
这里将特征缩放的范围设置为(-1, 1)。缩放后的数据集中的每个特征都在此范围内。
阅读全文