这是来自官方的例子:http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html
>>> from sklearn.preprocessing import MinMaxScaler
>>>
>>> data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
>>> scaler = MinMaxScaler()
>>> print(scaler.fit(data))
MinMaxScaler(copy=True, feature_range=(0, 1))
>>> print(scaler.data_max_)
[ 1. 18.]
>>> print(scaler.transform(data))
[[ 0. 0. ]
[ 0.25 0.25]
[ 0.5 0.5 ]
[ 1. 1. ]]
>>> print(scaler.transform([[2, 2]]))
[[ 1.5 0. ]]
官方文档如下。
transform(X)[source] Scaling features of X according to feature_range.
Parameters: X : array-like, shape [n_samples, n_features]
Input data that will be transformed.
当 feature_range 参数的默认值为 (0, 1) 时,为什么我看到 [[ 1.5 0. ]] 作为输出>?
请您参考如下方法:
考虑这样的转换操作:
import numpy as np
data = np.array(data)
f1 = data[:,0]
mn = f1.min()
mx = f1.max()
(f1- mn)/ (mx - mn)
注意:转换操作是根据您的初始数据构建的。一旦构建了转换操作,它将对您的辅助数据进行操作,并且不会再次对其进行重新缩放。 您可能对参数 feature_range 有疑问。在那种情况下,您应该知道在 minmaxtransform 之后它会重新缩放数据。
