归一化器#

类 sklearn.preprocessing.Normalizer(norm='l2', *, copy=True)[source]#

对每个样本单独进行单位范数归一化。

每个至少有一个非零分量的样本（即数据矩阵的每一行）都会独立于其他样本进行重新缩放，使其范数（l1、l2 或 inf）等于一。

这个转换器能够处理密集 NumPy 数组和 SciPy 稀疏矩阵（如果想避免复制/转换的开销，请使用 CSR 格式）。

将输入数据缩放到单位范数是文本分类或聚类等任务的常见操作。例如，两个 l2 归一化 TF-IDF 向量的点积是这些向量的余弦相似度，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。

有关示例可视化，请参考将 Normalizer 与其他缩放器进行比较。

在用户指南中阅读更多。

参数:
norm{‘l1’, ‘l2’, ‘max’}，默认值=’l2’

用于归一化每个非零样本的范数。如果使用 norm=’max’，值将按绝对值的最大值进行重新缩放。

copy布尔值，默认值=True

设置为 False 以执行原地行归一化并避免复制（如果输入已经是 NumPy 数组或 SciPy 稀疏 CSR 矩阵）。

属性:
n_features_in_整型

在fit期间看到的特征数量。

添加于 0.24 版本。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在fit期间看到的特征名称。仅当X的所有特征名称均为字符串时才定义。

添加于 1.0 版本。

另请参阅

normalize

没有估计器 API 的等效函数。

注意

这个估计器是无状态的，不需要进行拟合。然而，我们建议调用fit_transform而不是transform，因为参数验证只在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，以及 (ii) 与 scikit-learn 转换器 API 保持一致。

参数:
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

用于估计归一化参数的数据。

y忽略

未使用，根据约定在此出现以保持 API 一致性。

返回:
self对象

已拟合的转换器。

fit_transform(X, y=None, **fit_params)[source]#

拟合数据，然后转换它。

使用X和y以及可选参数fit_params拟合转换器，并返回X的转换版本。

参数:
X形状为 (n_samples, n_features) 的类数组

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组，默认值=None

目标值（对于无监督转换，设置为 None）。

**fit_params字典

额外的拟合参数。

返回:
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字符串类数组或 None，默认值=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是一个类数组，则当feature_names_in_已定义时，input_features必须与feature_names_in_匹配。

返回:
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。

请查阅用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值，默认值=True

如果为 True，将返回此估计器以及包含的作为估计器的子对象的参数。

返回:
params字典

参数名称及其对应的值。

set_output(*, transform=None)[source]#

设置输出容器。

请参阅set_output API 介绍，了解如何使用此 API 的示例。

参数:
transform{“default”, “pandas”, “polars”}，默认值=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: 转换配置保持不变

添加于 1.4 版本："polars"选项已添加。

返回:
self估计器实例

估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

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:
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，此方法仅在enable_metadata_routing=True时才相关（参见sklearn.set_config）。请参阅用户指南，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，则忽略该请求。

  • False: 不请求元数据，且元估计器不会将其传递给transform。

  • None: 不请求元数据，且如果用户提供元数据，元估计器将引发错误。

  • str: 元数据应以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，而不更改其他参数。

添加于 1.3 版本。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在Pipeline内部使用。否则，它没有效果。

参数:
copy字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

transform 方法中copy参数的元数据路由。

返回:
self对象

更新后的对象。

transform(X, copy=None)[source]#

将 X 的每个非零行缩放到单位范数。

参数:
X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}

要按行归一化的数据。SciPy 稀疏矩阵应采用 CSR 格式以避免不必要的复制。

copy布尔值，默认值=None

是否复制输入 X。

返回:
X_tr形状为 (n_samples, n_features) 的 {ndarray, 稀疏矩阵}

转换后的数组。