sklearn normalize() 将每个值生成为 1答案

【问题标题】：sklearn normalize() produces every value as 1sklearn normalize() 将每个值生成为 1
【发布时间】：2020-03-07 17:05:17
【问题描述】：

我正在尝试将单个特征标准化为 [0, 1]，但我得到的结果都是 1 的浮点值，显然是错误的。

import pandas as pd
import numpy as np
from sklearn.preprocessing import normalize

test = pd.DataFrame(data=[7, 6, 5, 2, 9, 9, 7, 8, 6, 5], columns=['data'])
normalize(test['data'].values.reshape(-1, 1))

这会产生以下输出：

array([[1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.]])

我认为这可能是浮点数据类型的 int 问题，所以我尝试先转换为浮点，normalize(test['data'].astype(float).values.reshape(-1, 1))，但这给出了相同的结果。我错过了什么？

【问题讨论】：

标签： python pandas scikit-learn normalization

【解决方案1】：

这是因为默认的axis 是 1。

设置axis = 0:

normalize(test['data'].values.reshape(-1, 1), axis=0)

输出：

array([[0.32998316],
       [0.28284271],
       [0.23570226],
       [0.0942809 ],
       [0.42426407],
       [0.42426407],
       [0.32998316],
       [0.37712362],
       [0.28284271],
       [0.23570226]])

【讨论】：

很奇怪 - 通常axis=1 对应于一个列，即我认为的一个功能，所以我认为默认值很好。我想当我使用reshape 来满足sklearn 的二维数组要求时，它现在被视为“行”/样本而不是列/特征。
@JulianDrago 因为它的l2 默认标准。试试norm='max' :)

【解决方案2】：

我觉得我们可以使用

(test.data-test.data.min())/np.ptp(test.data.values)
Out[136]: 
0    0.714286
1    0.571429
2    0.428571
3    0.000000
4    1.000000
5    1.000000
6    0.714286
7    0.857143
8    0.571429
9    0.428571
Name: data, dtype: float64

【讨论】：

虽然我对基于 sklearn 的解决方案感兴趣。