本篇文章给大家分享的内容是python归一化多维数组的方法 ，具有一定的参考价值，有需要的朋友参考一下

今天遇到需要归一化多维数组的问题，但是在网上查阅了很多资料都是归一化数组的一行或者一列，对于怎么归一化一个多维数组的资料比较少，可是在tensorflow中为了训练神经网络常常需要用到多维数据。因此归一化多维数组非常有必要。

在查阅了大量资料之后发现在sklearn库中的preprocessing可以直接归一化多维数组。

1、使用sklearn.preprocessing.scale()函数，对给定数据进行标准化：具体公式是(x - mean)/std。其含义是：对每一列的数据减去这一列的均值，然后除以这一列数据的标准差。最终得到的数据都在0附近，方差为1。具体程序示例如下：from sklearn import preprocessing

data_normal = preprocessing.scale(data)#data是多维数据

2、使用sklearn.preprocessing.StandardScaler类，这个类可以计算每一列数据的均值和方差，并根据均值和方差直接把原始数据归一化。简单示例如下：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类把数据缩放到一个指定的范围。具体示例如下：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还可以做正则化

(1)preprocessing.normalize()对数据做正则化转换data_normalized = preprocessing.normalize(data, norm='l2')

(2)preprocessing.Normalizer()先拟合数据再对数据进行正则化变换normalizer = preprocessing.Normalizer().fit(data) #拟合原始数据，data是多维数组

normalizer.transform(data) #正则化

相关推荐：

python字符串如何转为二维数组

python分治法求二维数组局部峰值方法_python