python sklearn预处理方法

1. 标准化(scale)

标准化目的是去均值。变换后各维特征有0均值，单位方差。也叫z-score规范化（零均值规范化）。计算方式是将特征值减去均值，除以标准差。

import numpy as np
from sklearn import preprocessing

in_data = np.array([[5.1, -2.9, 3.3],[-1.2, 7.8, -6.1]])

data_scale = preprocessing.scale(in_data)

2.最小-最大规范化(Min_Max_Scaler)

最小-最大规范化对原始数据进行线性变换，变换到[0,1]区间

3.规范化（Normalization）

规范化是将不同变化范围的值映射到相同的固定范围，常见的是[0,1]，此时也称为归一化。

将每个样本变换成unit norm。常见的L1 norm和L2 norm

L2 norm变换后每个样本的各维特征的平方和为1

L1 norm变换后每个样本的各维特征的绝对值和为1

preprocessing.normalize(in_data, norm='l2')
preprocessing.normalize(in_data, norm='l1')

参考：

sklearn中常用数据预处理方法

人工智能：python代码实现