如何写MinMaxScaler()函数

下面是一个简单的MinMaxScaler类的示例实现：

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：

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。