normalize

sklearn.preprocessing.normalize(X, norm='l2', *, axis=1, copy=True, return_norm=False)

Skaliert Eingabevektoren einzeln auf Einheitsnorm (Vektorlänge).

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

X{array-like, sparse matrix} der Form (n_samples, n_features)

Die zu normalisierenden Daten, Element für Element. SciPy sparse Matrizen sollten im CSR-Format vorliegen, um eine unnötige Kopie zu vermeiden.

norm{‘l1’, ‘l2’, ‘max’}, Standardwert=‘l2’

Die Norm, die verwendet wird, um jede Nicht-Null-Stichprobe (oder jedes Nicht-Null-Merkmal, wenn achse=0) zu normalisieren.

axis{0, 1}, Standardwert=1

Definiert die Achse, entlang der die Daten normalisiert werden sollen. Wenn 1, normalisieren Sie jede Stichprobe unabhängig voneinander, andernfalls (wenn 0) normalisieren Sie jedes Merkmal.

copybool, Standard=True

Wenn False, versuchen Sie, eine Kopie zu vermeiden und in-place zu normalisieren. Dies ist nicht garantiert immer in-place zu funktionieren; z.B. wenn die Daten ein NumPy-Array mit ganzzahligem dtype sind, wird auch bei copy=False eine Kopie zurückgegeben.

return_normbool, Standardwert=False

Ob die berechneten Normen zurückgegeben werden sollen.

Gibt zurück:

X{ndarray, sparse matrix} der Form (n_samples, n_features)

Normalisierte Eingabe X.

normsndarray der Form (n_samples, ) wenn axis=1 oder (n_features, )

Ein Array von Normen entlang der angegebenen Achse für X. Wenn X spärlich ist, wird für norm 'l1' oder 'l2' eine NotImplementedError ausgelöst.

Siehe auch

Normalizer

Führt die Normalisierung mithilfe der Transformer-API durch (z.B. als Teil einer Vorverarbeitungs- Pipeline).

Anmerkungen

Für einen Vergleich der verschiedenen Skalierer, Transformer und Normalisierer siehe: Vergleichen Sie die Auswirkung verschiedener Skalierer auf Daten mit Ausreißern.

Beispiele

>>> from sklearn.preprocessing import normalize
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> normalize(X, norm="l1")  # L1 normalization each row independently
array([[-0.4,  0.2,  0.4],
       [-0.5,  0. ,  0.5]])
>>> normalize(X, norm="l2")  # L2 normalization each row independently
array([[-0.67, 0.33, 0.67],
       [-0.71, 0.  , 0.71]])