1.數據標準化含義：將數據的數值特征轉換成一些標準的格式，使其與其他屬性處于相同的范圍內，此過程叫標準化（Normalization）

2.有兩種常用的標準化技術

最大最小標準化（Min-Max Normalization）:這個過程使得特征的范圍在[0,1]內。首先計算每個數值特征的最小值個最大值，然后對特征的每個值均進行以下變換?

附python程序： from sklearn import preprocessing import pandas data={'price':[492,286,487,519,541,429]}#用字典來存放數據 price_frame=pandas.DataFrame(data)#把字典類型轉化為dataframe對象 min_max_normalizer=preprocessing.MinMaxScaler(feature_range=(0,1)) #feature_range設置最大最小變換值，默認（0,1） scaled_data=min_max_normalizer.fit_transform(price_frame) #將數據縮放(映射)到設置固定區間 price_frame_normalized=pandas.DataFrame(scaled_data) #將變換后的數據轉換為dataframe對象 print(price_frame_normalized)

Z-分數標準化（Z-Score Normalization）:當數據包含離群值時，最大最小標準化并不是首選。在存在離群值的情況下，隨著數據范圍的增加，數值將不斷接近零。Z-Score常用于標準化技術。Z-Score遵循統計學原理，使數據平均值為0，標準差為1。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

附python程序： from sklearn import preprocessing import pandas data={'price':[492,286,487,519,541,429]}#用字典來存放數據 price_frame=pandas.DataFrame(data)#把字典類型轉化為dataframe對象 normalizer=preprocessing.scale(price_frame) #沿著某個軸標準化數據集，以均值為中心，以分量為單位方差 price_frame_normalized=pandas.DataFrame(normalizer,columns=['price']) #將標準化的數據轉換為dataframe對象，將列名改為price print(price_frame_normalized)

?

?

總結

以上是生活随笔為你收集整理的用python将数据标准化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。