python歸一化多維陣列的方法

本篇文章給大家分享的內容是python歸一化多維陣列的方法 ，具有一定的參考價值，有需要的朋友參考一下

今天遇到需要歸一化多維陣列的問題，但是在網上查閱了很多資料都是歸一化數組的一行或者一列，對於怎麼歸一化一個多維陣列的資料比較少，可是在tensorflow中為了訓練神經網路常常需要用到多維資料。因此歸一化多維陣列非常有必要。

在查閱了大量資料之後發現在sklearn庫中的preprocessing可以直接歸一化多維陣列。

1、使用sklearn.preprocessing.scale()函數，對給定資料進行標準化：具體公式是(x - mean)/std。其含義是：對每一列的資料減去這一列的均值，然後除以這一列資料的標準差。最終得到的資料都在0附近，方差為1。具體程式樣本如下：

from sklearn import preprocessingdata_normal = preprocessing.scale(data)#data是多維資料

2、使用sklearn.preprocessing.StandardScaler類，這個類可以計算每一列資料的均值和方差，並根據均值和方差直接把未經處理資料歸一化。簡單樣本如下：

from sklearn import preprocessing#計算未經處理資料每行和每列的均值和方差，data是多維資料scaler = preprocessing.StandardScaler().fit(data)#得到每列的平均值,是一維數組mean = scaler.mean_ #得到每列的標準差,是一維數組   std = scaler.std_                                        #標準化資料data_nomal = scaler.transform(data)    #可以直接使用訓練集對測試集資料進行轉換  scaler.transform([[-1.,  1., 0.]])

3、sklearn.preprocessing.MinMaxScaler類把資料縮放到一個指定的範圍。具體樣本如下：

from sklearn import preprocessingmin_max_scaler = preprocessing.MinMaxScaler()#標準化訓練集資料data_train_nomal = min_max_scaler.fit_transform(data_train) #對測試集資料進行相同的歸一化處理data_test_minmax = min_max_scaler.transform(data_test)#擷取縮放因子屬性，結果是一維數組min_max_scaler.scale_                             min_max_scaler.min_

4、附sklearn.preprocessing還可以做正則化

（1）preprocessing.normalize()對資料做正則化轉換

data_normalized = preprocessing.normalize(data, norm='l2')

（2）preprocessing.Normalizer()先擬合資料再對資料進行正則化變換

normalizer = preprocessing.Normalizer().fit(data)  #擬合未經處理資料，data是多維陣列normalizer.transform(data) #正則化