Scikit-learn：如何水平规范化行值？

Question

我想水平而不是垂直标准化下面的值。代码读取代码后提供的 csv 文件，并输出具有标准化值的新 csv 文件。如何使其水平归一化？给出如下代码：

代码

#norm_code.py
#normalization = x-min/max-min

import numpy as np
from sklearn import preprocessing
all_data=np.loadtxt(open("c:/Python27/test.csv","r"),
delimiter=",",
skiprows=0,
dtype=np.float64)

x=all_data[:]

print('total number of samples (rows):', x.shape[0])
print('total number of features (columns):', x.shape[1])
minmax_scale = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(x)

X_minmax=minmax_scale.transform(x)
with open('test_norm.csv',"w") as f:
    f.write("\n".join(",".join(map(str, x)) for x in (X_minmax)))

test.csv

1   2   0   4   3
3   2   1   1   0
2   1   1   0   1

Answer 1

您可以简单地对转置进行操作，并对结果进行转置：

minmax_scale = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(x.T)

X_minmax=minmax_scale.transform(x.T).T

Answer 2

不使用 sklearn 的 Oneliner 答案：

X_minmax = np.transpose( (x-np.min(x,axis=1))/(np.max(x, axis=1)-np.min(x,axis=1)))

这比在预处理中使用 MinMaxScaler 快大约 8 倍。

Scikit-learn：如何水平规范化行值？

Scikit-learn: How to normalize row values horizontally?

python

numpy

scikit-learn