Scikit-learn数据预处理之范数缩放NormalizerScaler

 

                     Scikit-learn 数据预处理之行范数缩放NormalizerScaler

1 声明

本文的数据来自网络，部分代码也有所参照，这里做了注释和延伸，旨在技术交流，如有冒犯之处请联系博主及时处理。

2 NormalizerScaler简介

NormalizerScaler是对样本的行进行范数缩放，主要有两种形式：

• norm="l2"，按行求出每个特征的欧氏距离等于1。
• norm="l1"，按行求出每个特征的绝对值距离等于1。

应用场景：有许多等价的特征时，比如文本分类里的每个单词都是一个特征时。

3 NormalizerScaler

• 示例一:

import numpy as np
from sklearn.preprocessing import Normalizer
# Create feature matrix
features = np.array([[0.5, 0.5],
[1.1, 3.4],
[1.5, 20.2],
[1.63, 34.4],
[10.9, 3.3]])
normalizer = Normalizer(norm="l2")
print(normalizer.transform(features))

 

L2法计算方法:

注:  1 这里是按照行（样本）求，每次取列的一个元素。

     2 求的新的x之间仍保持原比例。

 

计算示例详解:

L1法计算方法:

注:  1 这里是按照行求，每次取列的一个元素。

      2 求的新的x之间仍保持原比例。

 

• 示例二:

import pandas as pd
from sklearn.preprocessing import Normalizer
data = pd.DataFrame(
    {
        'a':[1,2,3],
        'b':[5,6,6],
        'c':[9,100,2]
    }
)

normalizer = Normalizer(norm="l2")
normalizer_data = normalizer.fit_transform(data)
print(normalizer_data)

 

normalizer = Normalizer(norm="l1")
normalizer_data = normalizer.fit_transform(data)
print(normalizer_data)

注:这里的数据矩阵形式如下：