如何使用sklearn标准化2D数组？

debugcn 发表于 Dev

巴兰通吉夫

给定2D数组，我想将其规格化为0-1。

我知道这可以实现如下

import numpy as np
from sklearn.preprocessing import normalize,MinMaxScaler

np.random.seed(0)
t_feat=4
t_epoch=3
t_wind=2

result = [np.random.rand(t_epoch, t_feat) for _ in range(t_wind)]
wdw_epoch_feat=np.array(result)
matrix=wdw_epoch_feat[:,:,0]

xmax, xmin = matrix.max(), matrix.min()
x_norm = (matrix - xmin)/(xmax - xmin)

产生

[[0.55153917 0.42094786 0.98439526], [0.57160496 0.         1.        ]]

不过，我可以使用没有得到同样的结果MinMaxScaler的sklearn

scaler = MinMaxScaler()
x_norm = scaler.fit_transform(matrix)

产生

[[0. 1. 0.], [1. 0. 1.]]

感谢任何想法

狼

您正在标准化整个矩阵。MinMaxScaler专为机器学习而设计，因此可根据定义方式对每行或每列进行标准化。为了获得与您相同的结果，您需要将2D阵列转换为1D阵列。我在下面显示此内容，并在第一列中获得相同的结果：

import numpy as np
from sklearn.preprocessing import normalize, MinMaxScaler

np.random.seed(0)
t_feat=4
t_epoch=3
t_wind=2

result = [np.random.rand(t_epoch, t_feat) for _ in range(t_wind)]
wdw_epoch_feat=np.array(result)
matrix=wdw_epoch_feat[:,:,0]

xmax, xmin = matrix.max(), matrix.min()
x_norm = (matrix - xmin)/(xmax - xmin)


matrix = np.array([matrix.flatten(), np.random.rand(len(matrix.flatten()))]).T
scaler = MinMaxScaler() 
test  = scaler.fit_transform(matrix)

print(test)
-------------------------------------------
[[0.55153917 0.        ]
 [0.42094786 0.63123194]
 [0.98439526 0.03034732]
 [0.57160496 1.        ]
 [0.         0.48835502]
 [1.         0.35865137]]

当使用MinMaxScaler进行机器学习时，通常需要标准化每列。

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。