时间戳

首页 > 解决方案 > 如何 min_max 规范化数据

python-3.x - 如何 min_max 规范化数据

问题描述

在 K-Nearest Neighbors 分类的上下文中，我需要对字典中的多个值进行最小最大归一化。我通过获取值，将它们拆分为单独的列表，在这些列表上运行 min-max normalize 函数并再次将列表压缩在一起来做到这一点。见下文。我想有更聪明的方法可以做到吗？

dataset = {'a':[1, 200], 'b':[1.5, 180], 'c':[0.8, 80], 'd':[1.2, 150]}
values = dataset.values()
value_1 = [i[0] for i in values] 
value_2 = [i[1] for i in values]

def min_max_normalize(lst):
  minimum = min(lst)
  maximum = max(lst)
  normalized = []
  for i in range(len(dataset)):
    normalized_value = (lst[i] - minimum)/(maximum - minimum)
    normalized.append(normalized_value)
  return normalized

value_1_normalized = min_max_normalize(value_1)
value_2_normalized = min_max_normalize(value_2)
values_normalized = zip(value_1_normalized, value_2_normalized)

标签： python-3.xmachine-learningclassification

解决方案

为什么不使用MinMaxScaler来自 scikit-learn 的？

from sklearn.preprocessing import MinMaxScaler
dataset = {'a':[1, 200], 'b':[1.5, 180], 'c':[0.8, 80], 'd':[1.2, 150]}
vals = list(dataset.values())
scl = MinMaxScaler().fit(vals)
scl.transform(vals)
# array([[0.28571429, 1.        ],
#        [1.        , 0.83333333],
#        [0.        , 0.        ],
#        [0.57142857, 0.58333333]])

请记住只适合您的训练集，然后您可以将其scl.transform应用于您的测试集。

推荐阅读