python - NumPy 어레이의 최소-최대 정규화

이 Cross Validated Link, 데이터를 0-1 범위로 정규화하는 방법을 참조하면 foo 의 마지막 열에서 최소 최대 정규화를 수행 할 수있는 것처럼 보입니다. .

v = foo[:, 1]   # foo[:, -1] for the last column
foo[:, 1] = (v - v.min()) / (v.max() - v.min())

foo
array([[ 0.        ,  0.        ],
       [ 0.13216   ,  0.06609523],
       [ 0.25379   ,  1.        ],
       [ 0.30874   ,  0.09727968]])

OP가 제안한 정규화를 수행하는 또 다른 옵션은 sklearn.preprocessing.normalize 를 사용하는 것입니다. , 약간 다른 결과가 나타납니다-

from sklearn.preprocessing import normalize
foo[:, [-1]] = normalize(foo[:, -1, None], norm='max', axis=0)

foo
array([[ 0.        ,  0.2378106 ],
       [ 0.13216   ,  0.28818769],
       [ 0.25379   ,  1.        ],
       [ 0.30874   ,  0.31195614]])

당신이 이것을 원한다고 생각합니다 :

foo[:,1] = (foo[:,1] - foo[:,1].min()) / (foo[:,1].max() - foo[:,1].min())

sklearn.preprocessing.MinMaxScaler도 사용할 수 있습니다 ( feature_range=(0, 1)  기본값입니다) :

from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
v = foo[:,1]
v_scaled = min_max_scaler.fit_transform(v)
foo[:,1] = v_scaled
print(foo)

출력 :

[[ 0.          0.        ]
 [ 0.13216     0.06609523]
 [ 0.25379     1.        ]
 [ 0.30874     0.09727968]]

장점은 모든 범위로 확장 할 수 있다는 것입니다.

두 번째 열만 0에서 1 사이의 최소-최대 스케일을 시도하고 있습니다.

예 :

from sklearn.preprocessing import minmax_scale
column_1 = foo[:,0] #first column you don't want to scale
column_2 = minmax_scale(foo[:,1], feature_range=(0,1)) #second column you want to scale
foo_norm = np.stack((column_1, column_2), axis=1) #stack both columns to get a 2d array

수율이어야한다

array([[0.        , 0.        ],
       [0.13216   , 0.06609523],
       [0.25379   , 1.        ],
       [0.30874   , 0.09727968]])

두 열 모두 0에서 1 사이의 최소-최대 스케일을 원할 수 있습니다. 이 경우 다음을 사용하십시오 :

foo_norm = minmax_scale(foo, feature_range=(0,1), axis=0)

어떤 수확량

array([[0.        , 0.        ],
       [0.42806245, 0.06609523],
       [0.82201853, 1.        ],
       [1.        , 0.09727968]])

참고: 벡터의 표준 (길이)을 특정 값 (일반적으로 1)으로 조정하는 연산과 혼동하지 마십시오. 일반적으로 정규화라고도합니다.