实现几种归一化方法（Normalization Method）） python实现几种归一化方法（ 主要介绍了python实现几种归一化方法（Normalization Method），文中通过示例代码介绍的非常详细，对大家 的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧 数据归一化问题是数据挖掘中特征向量表达时的重要问题，当不同的特征成列在一起的时候，由于特征本身表达方式的原因而 导致在绝对数值上的小数据被大数据“吃掉”的情况，这个时候我们需要做的就是对抽取出来的features vector进行归一化处 理，以保证每个特征被分类器平等对待。下面我描述几种常见的Normalization Method，并提供相应的python实现（其实很简 单）： 1、、(0,1)标准化： 标准化： 这是最简单也是最容易想到的方法，通过遍历feature vector里的每一个数据，将Max和Min的记录下来，并通过Max-Min作为 基数（即Min=0，Max=1）进行数据的归一化处理： LaTex：{x}_{normalization}=\frac{x-Min}{Max-Min} Python实现： def MaxMinNormalization(x,Max,Min): x = (x - Min) / (Max - Min); return x; 找大小的方法直接用np.max()和np.min()就行了，尽量不要用python内建的max()和min()，除非你喜欢用List管理数字。 2、、Z-score标准化： 标准化： 这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分 布，即均值为0，标准差为1，这里的关键在于复合标准正态分布，个人认为在一定程度上改变了特征的分布，关于使用经验 上欢迎讨论，我对这种标准化不是非常地熟悉，转化函数为： LaTex：{x}_{normalization}=\frac{x-\mu }{\sigma } Python实现： def Z_ScoreNormalization(x,mu,sigma): x = (x - mu) / sigma; return x; 这里一样，mu（即均值）用np.average()，sigma（即标准差）用np.std()即可。 3、、Sigmoid函数函数 Sigmoid函数是一个具有S形曲线的函数，是良好的阈值函数，在(0, 0.5)处中心对称，在(0, 0.5)附近有比较大的斜率，而当数 据趋向于正无穷和负无穷的时候，映射出来的值就会无限趋向于1和0，是个人非常喜欢的“归一化方法”，之所以打引号是因为 我觉得Sigmoid函数在阈值分割上也有很不错的表现，根据公式的改变，就可以改变分割阈值，这里作为归一化方法，我们只 考虑(0, 0.5)作为分割阈值的点的情况： 

LaTex：{x}_{normalization}=\frac{1}{1+{e}^{-x}} Python实现： def sigmoid(X,useStatus): if useStatus: return 1.0 / (1 + np.exp(-float(X))); else: return float(X); 这里useStatus管理是否使用sigmoid的状态，方便调试使用。 以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。