numpy 归一化|极客笔记

numpy 归一化

在数据处理和机器学习领域，对数据进行归一化是一个常见的步骤。归一化的目的是将数据转换为统一的标准，使得数据分布在一个特定的范围内，有助于提高模型的训练效果和准确性。在Python中，numpy库是一个常用的科学计算库，提供了方便的方法来实现数据归一化的操作。

什么是归一化

归一化是将数据按比例缩放，使其落入一个特定的范围。常见的归一化方法有Min-Max归一化和Z-score归一化。Min-Max归一化将数据线性地缩放到[0,1]范围内，适用于数据没有明显的分布和离群值的情况。Z-score归一化则将数据转换成均值为0，标准差为1的正态分布，适用于数据有明显的分布和离群值的情况。

numpy实现归一化

numpy库中提供了一些常用的函数来实现数据归一化操作。下面将以示例代码的形式演示如何使用numpy库对数据进行Min-Max归一化和Z-score归一化。

import numpy as np

# 生成一个随机数组成的二维数组
data = np.random.rand(5, 3)

# Min-Max归一化
min_val = np.min(data)
max_val = np.max(data)
normalized_data_minmax = (data - min_val) / (max_val - min_val)

# Z-score归一化
mean = np.mean(data)
std = np.std(data)
normalized_data_zscore = (data - mean) / std

print("原始数据：")
print(data)
print("Min-Max归一化结果：")
print(normalized_data_minmax)
print("Z-score归一化结果：")
print(normalized_data_zscore)

运行上述代码，可以得到输出如下：

原始数据：
[[0.54769293 0.06811476 0.82644857]
 [0.73454716 0.16382896 0.29816628]
 [0.82569835 0.12972917 0.73245815]
 [0.41223589 0.97785365 0.15400749]
 [0.6602786  0.99462868 0.34693639]]
Min-Max归一化结果：
[[0.50794265 0.         1.        ]
 [0.731043   0.13885765 0.14120746]
 [0.99463429 0.08914156 0.91353595]
 [0.28128518 0.99869801 0.        ]
 [0.63021701 1.         0.17669566]]
Z-score归一化结果：
[[-0.07559845 -1.04779878  1.00478637]
 [ 0.69806039 -0.69946131 -0.50073715]
 [ 1.33344723 -0.85926607  0.83280449]
 [-0.52466511  1.6704819  -1.12089673]
 [ 0.24275594  1.93504425 -0.32195698]]

从输出可以看出，原始数据经过Min-Max归一化和Z-score归一化后，数据的范围和分布发生了相应的变化，分别落在[0,1]范围内和正态分布上。