minmax_scale#

sklearn.preprocessing.minmax_scale(X, feature_range=(0, 1), *, axis=0, copy=True)[source]#

通过将每个特征缩放到给定范围来转换特征。

此估计器单独缩放和转换每个特征，使其在训练集上处于给定范围，即在零和一之间。

转换公式为（当 axis=0 时）

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

其中 min, max = feature_range。

转换计算如下（当 axis=0 时）

X_scaled = scale * X + min - X.min(axis=0) * scale
where scale = (max - min) / (X.max(axis=0) - X.min(axis=0))

这种转换通常用作零均值、单位方差缩放的替代方案。

在用户指南中阅读更多内容。

0.17 版本新增：作为 MinMaxScaler 的函数接口的 minmax_scale。

参数:
X形状为 (n_samples, n_features) 的类数组

数据。

feature_range元组 (min, max)，默认值=(0, 1)

转换后的数据的期望范围。

axis{0, 1}，默认值=0

用于缩放的轴。如果为 0，则独立缩放每个特征；否则（如果为 1）缩放每个样本。

copy布尔值，默认值=True

如果为 False，则尝试避免复制并就地缩放。这不保证始终就地工作；例如，如果数据是具有 int dtype 的 numpy 数组，即使 copy=False，也会返回一个副本。

返回:
X_tr形状为 (n_samples, n_features) 的 ndarray

转换后的数据。

警告

数据泄漏风险 除非您知道自己在做什么，否则请勿使用 minmax_scale。一个常见的错误是在将数据拆分为训练集和测试集之前将其应用于整个数据。这将使模型评估产生偏差，因为信息会从测试集泄漏到训练集。通常，我们建议在Pipeline中使用MinMaxScaler以防止大多数数据泄漏风险：pipe = make_pipeline(MinMaxScaler(), LogisticRegression())。

另请参阅

MinMaxScaler

使用 Transformer API 执行给定范围的缩放（例如，作为预处理Pipeline的一部分）。

注意

有关不同缩放器、转换器和归一化器的比较，请参阅：比较不同缩放器对含有异常值数据的影响。

示例

>>> from sklearn.preprocessing import minmax_scale
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> minmax_scale(X, axis=0)  # scale each column independently
array([[0., 1., 1.],
       [1., 0., 0.]])
>>> minmax_scale(X, axis=1)  # scale each row independently
array([[0.  , 0.75, 1.  ],
       [0.  , 0.5 , 1.  ]])