import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 1.最小最大標準化
Data = np.array([[0.2,0.9,29],
? ? ? ? ? ? ? ? [0.9,0.1,100],
? ? ? ? ? ? ? ? [0.5,0.5,30]]) #最?。畲髿w一化算法
#　1.1數據轉化
def MinMax(data):
? ? min = 0
? ? max = 1
? ? C = data[:,2]
? ? min = np.min(C)
? ? max = np.max(C)
? ? for one in data:
? ? ? ? one[2] = (one[2]-min) / (max-min)
? ? print('轉化后的矩陣：\n',data)
? ? return data


# 1.2可視化
def ShowData(Data,ShowD1):
? ? length = len(Data)
? ? X = np.ones(Data.shape[0])
? ? plt.figure(1)
? ? plt.subplot(121)
? ? for i in range(length):
? ? ? ? plt.scatter(X*(i+1),Data[:,i])
? ? plt.subplot(122)
? ? for i in range(length):
? ? ? ? plt.scatter(X*(i+1),ShowD1[:,i])
? ? plt.show()
ShowData(Data,MinMax(Data.copy()))

轉化后的矩陣：

[[0.2 0.9 0. ]
[0.9 0.1 1. ]
[0.5 0.5 0.01408451]]

2.4局限

數據規(guī)模過大不適應
數據歸一化后范圍在[0,1]，對于一些有負有正數的原始數據慎用

3 Z-score標準化

3.1 公式

3.2 算法實現邏輯

輸入數據
求取數據的均值、方法，在利用中心化公式計算
輸出結果

3.3 代碼

def Zscore(data):
? ? x_mean = np.mean(data[:2])
? ? length = len(data[:,2])
? ? vari = np.sqrt((np.sum((data[:2]-x_mean)**2))/length)
? ? print('方差:',vari)
? ? data[:,2] = (data[:,2]-x_mean)/vari
? ? print('Z-score標準化后的矩陣是',data)
? ? return data

ShowData(Data,Zscore(Data.copy()))

方差: 51.569160680908254
Z-score標準化后的矩陣是 [[0.2 0.9 0.13864876]
[0.9 0.1 1.5154406 ]
[0.5 0.5 0.15804019]]

3.4 局限

對樣本量少的數據，表現不好
標準化后范圍在有負有正，范圍在[-1,1]

4 小數定標法

4.1 公式

4.2 算法實現邏輯

輸入數據
絕對值化，最大值
將每個數除以最大值的數量級
輸入數據

4.3 代碼實現

# 小數定標歸一化算法
def Decimals(data):
? ? C = np.abs(data[:,2])
? ? max = int(np.sort(C)[-1]) # 按從小到大排序，取最后一位，及最大值
? ? k = len(str(max))
? ? print('絕對值最大的位數：\n',k)
? ? data[:2] = data[:,2] /(10**k)
? ? print('小數點定標準化后的矩陣：\n',data)
? ? return data
ShowData(Data,Decimals(Data.copy()))

絕對值最大的位數：