如何在python中执行规范化？

归一化 (Normalization)：

属性在指定的最小值（通常为 1-0）之间缩放，这可以通过 preprocessing.MinMaxScaler 类来实现。

常用的最小规范化方法(x-min(x))/(max(x)-min(x))

python实现归一化的方法：

1、(0,1)标准化：

这是最简单最容易想到的方法，通过遍历特征向量中的每一个数据，记录Max和Min，并以Max-Min为基（​​即Min=0，Max=1）对数据进行归一化一站式加工：

def MaxMinNormalization(x,Max,Min):
    x = (x - Min) / (Max - Min);
    return x

2、Z-score标准化：

该方法通过给出原始数据的均值和标准差对数据进行归一化。处理后的数据符合标准正态分布，即均值为0，标准差为1。这里的关键是复合标准正态分布。我个人认为特征的分布在一定程度上发生了变化。变换函数为：

实现代码：

def Z_ScoreNormalization(x,mu,sigma):
    x = (x - mu) / sigma;
    return x

3、Sigmoid函数：

sigmoid函数是一个S形曲线的函数，是一个很好的阈值函数。它在 (0, 0.5) 处中心对称，在 (0, 0.5) 附近有一个比较大的斜率，当数据趋于正无穷和负无穷时，映射的值会趋向于 1 和 0，即我非常喜欢的一种“标准化方法”。

之所以加引号，是因为我觉得 Sigmoid 函数在阈值分割方面也有很好的表现。根据公式的变化，可以改变分割阈值。这里作为归一化方法，我们只考虑 (0, 0.5) 作为分割阈值。点情况：

实现代码：

def sigmoid(X,useStatus):
    if useStatus:
        return 1.0 / (1 + np.exp(-float(X)));
    else:
        return float(X)