标准化器#
- class sklearn.preprocessing.Normalizer(norm='l2', *, copy=True)[source]#
对样本进行归一化，使其范数为单位。
每个样本（即数据矩阵的每一行）至少有一个非零分量，都会独立于其他样本进行重新缩放，使其范数（l1、l2或inf）等于1。
此变换器能够同时处理密集的NumPy数组和SciPy稀疏矩阵（如果要避免复制/转换的负担，请使用CSR格式）。
将输入缩放为单位范数是文本分类或聚类等常见操作。例如，两个l2归一化TF-IDF向量的点积是这两个向量的余弦相似度，并且是信息检索领域常用的向量空间模型的基本相似度度量。
示例可视化，请参考 比较 Normalizer 与其他缩放器。
更多信息请阅读 用户指南。
- 参数：
- norm{‘l1’, ‘l2’, ‘max’}, 默认=’l2’
用于规范化每个非零样本的范数。如果使用 norm=’max’，则值将按绝对值的最大值重新缩放。
- copy布尔值，默认=True
设置为 False 以执行就地行规范化并避免复制（如果输入已经是 numpy 数组或 scipy.sparse CSR 矩阵）。
- 属性：
另请参阅
标准化没有估计器 API 的等效函数。
备注
此估计器是 无状态的，不需要拟合。但是，我们建议调用
fit_transform而不是transform，因为参数验证仅在fit中执行。示例
>>> from sklearn.preprocessing import Normalizer >>> X = [[4, 1, 2, 2], ... [1, 3, 9, 3], ... [5, 7, 5, 1]] >>> transformer = Normalizer().fit(X) # fit does nothing. >>> transformer Normalizer() >>> transformer.transform(X) array([[0.8, 0.2, 0.4, 0.4], [0.1, 0.3, 0.9, 0.3], [0.5, 0.7, 0.5, 0.1]])
- fit(X, y=None)[source]#
仅验证估计器的参数。
此方法允许：（i）验证估计器的参数和（ii）与 scikit-learn 变换器 API 保持一致。
- 参数：
- X形状为 (n_samples, n_features) 的 {数组类，稀疏矩阵}
用于估计规范化参数的数据。
- y忽略
未使用，出于约定，此处用于保持 API 一致性。
- 返回值：
- self对象
拟合的变换器。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后转换它。
使用可选参数
fit_params将变换器拟合到X和y，并返回X的转换版本。- 参数：
- X形状为 (n_samples, n_features) 的数组类
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组类，默认=None
目标值（无监督转换则为 None）。
- **fit_params字典
附加拟合参数。
- 返回值：
- X_new形状为 (n_samples, n_features_new) 的 ndarray 数组
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取转换的输出特征名称。
- 参数：
- input_features字符串的数组类或 None，默认=None
输入特征。
如果
input_features为None，则使用feature_names_in_作为输入特征名称。如果feature_names_in_未定义，则生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。如果
input_features是数组类，则如果feature_names_in_已定义，则input_features必须与feature_names_in_匹配。
- 返回值：
- feature_names_out字符串对象的 ndarray
与输入特征相同。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看 用户指南，了解路由机制的工作原理。
- 返回值：
- routingMetadataRequest
封装路由信息的
MetadataRequest。
- get_params(deep=True)[source]#
获取该估计器的参数。
- 参数：
- deep布尔值，默认为True
如果为True，则将返回该估计器及其包含的子对象（也是估计器）的参数。
- 返回值：
- params字典
参数名称与其值的映射。
- set_output(*, transform=None)[source]#
设置输出容器。
参见 Introducing the set_output API 以了解如何使用该API的示例。
- 参数：
- transform{"default", "pandas", "polars"}，默认为None
配置
transform和fit_transform的输出。"default"：转换器的默认输出格式"pandas"：DataFrame输出"polars"：Polars输出None：转换配置不变
版本 1.4 中新增：
"polars"选项已添加。
- 返回值：
- self估计器实例
估计器实例。
- set_params(**params)[source]#
设置该估计器的参数。
此方法适用于简单的估计器以及嵌套对象（例如
Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。- 参数：
- **params字典
估计器参数。
- 返回值：
- self估计器实例
估计器实例。
- set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') Normalizer[source]#
请求传递给
transform方法的元数据。请注意，仅当
enable_metadata_routing=True时（参见sklearn.set_config）此方法才相关。请参阅 User Guide，了解路由机制的工作原理。每个参数的选项为
True：请求元数据，如果提供则传递给transform。如果未提供元数据，则忽略请求。False：不请求元数据，元估计器不会将其传递给transform。None：不请求元数据，如果用户提供元数据，元估计器将引发错误。str：元数据应使用此给定的别名而不是原始名称传递给元估计器。
默认值（
sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求而无需更改其他参数。版本 1.3 中新增。
注意
仅当将此估计器用作元估计器的子估计器时（例如，在
Pipeline中使用）此方法才相关。否则，它无效。- 参数：
- copystr、True、False 或 None，默认为sklearn.utils.metadata_routing.UNCHANGED
transform中copy参数的元数据路由。
- 返回值：
- self对象
更新后的对象。
