首先我们要明确为什么要将数据归一化或者说是标准化，因为不同数据范围相差太大，不好比较，所以要消除不同量纲单位带来的影响，归一化后各数据指标处于同一数量级，适合进行综合对比评价
想要数据集或者有什么不明白的可以点赞关注后私信答主
归一化一般是把数据调整到[0,1]范围内
每一列处理公式是 (x-min)/(max-min)max min为那一列的最大和最小值
原数据如下：
归一化后数据如下：
代码如下
from sklearn import preprocessing import pandas as pd import numpy as np def MaxMinNormalizetion(x): shapeX=x.shape rows=shapeX[0] cols=shapeX[1] headers=list(x) result=pd.DataFrame(columns=headers) for i in range(0,rows,1): dict1={} dict1[headers[0]]=x['No'][i] for j in range(1,cols,1): maxcol=x[headers[j]].max() mincol=x[headers[j]].min() val=(x.iloc[i,j]-mincol)/(maxcol-mincol)#一般是(x-min)/(max-min)进行归一化处理 dict1[headers[j]]=val result=result.append(dict1,ignore_index=True) return result data1=pd.read_csv(r'CatInfo.csv') print('original data\n',data1) newdata=MaxMinNormalizetion(data1) print('归一化的数据\n',newdata)
但是眼尖的同学可以发现里面是有空值的 这对我们进行后续的运算是非常不利的 我们要把他消除
消除空值后如下
代码如下
from sklearn import preprocessing import pandas as pd import numpy as np print("去除空值并且归一化处理") y=data1.dropna(axis=0).iloc[:,1:]#去除空值 min_max_scaler=preprocessing.MinMaxScaler() x_minmax=min_max_scaler.fit_transform(y) print(x_minmax)
想要数据集或者有什么不明白的可以点赞关注后私信答主
