這篇文章給大家分享的內容是python歸一化多維數組的方法，具有一定的參考價值，有需要的朋友參考一下
今天遇到需要歸一化多維數組的問題，但是在網路上查閱了許多資料都是歸一化數組的一行或一列，對於怎麼歸一化一個多維數組的資料比較少，可是在tensorflow中為了訓練神經網路常常需要用到多維數組的資料比較少，可是在tensorflow中為了訓練神經網路常常需要用到多維資料。因此歸一化多維數組非常有必要。
在查閱了大量資料之後發現在sklearn庫中的preprocessing可以直接歸一化多維數組。
1、使用sklearn.preprocessing.scale()函數，將給定資料標準化：具體公式是(x - mean)/std。其意義是：對每一列的資料減去這一列的平均值，然後除以這一列資料的標準差。最後得到的數據都在0附近，方差為1。具體程序範例如下：
from sklearn import preprocessing data_normal = preprocessing.scale(data)#data是多维数据
2、使用sklearn.preprocessing.StandardScaler類，這個類別可以計算每一列資料的平均值和方差，並根據平均值和方差直接把原始資料歸一化。簡單範例如下：
from sklearn import preprocessing #计算原始数据每行和每列的均值和方差，data是多维数据 scaler = preprocessing.StandardScaler().fit(data) #得到每列的平均值,是一维数组 mean = scaler.mean_ #得到每列的标准差,是一维数组 std = scaler.std_ #标准化数据 data_nomal = scaler.transform(data) #可以直接使用训练集对测试集数据进行转换 scaler.transform([[-1., 1., 0.]])
3、sklearn.preprocessing.MinMaxScaler類別將資料縮放到一個指定的範圍。具體範例如下：
from sklearn import preprocessing min_max_scaler = preprocessing.MinMaxScaler() #标准化训练集数据 data_train_nomal = min_max_scaler.fit_transform(data_train) #对测试集数据进行相同的归一化处理 data_test_minmax = min_max_scaler.transform(data_test) #获取缩放因子属性，结果是一维数组 min_max_scaler.scale_ min_max_scaler.min_
4、附sklearn.preprocessing還可以做正規化
##（1）preprocessing.normalize( )對資料做正規化轉換
data_normalized = preprocessing.normalize(data, norm='l2')
preprocessing.Normalizer()先擬合資料再對資料進行正規化變換#
normalizer = preprocessing.Normalizer().fit(data) #拟合原始数据，data是多维数组 normalizer.transform(data) #正则化
以上是python歸一化多維數組的方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！
