MinMaxScaler#

class sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), *, copy=True, clip=False)[源]#

通过将每个特征缩放到给定范围来转换特征。

此估计器会独立地缩放和平移每个特征，使其在训练集上处于给定的范围内，例如在零和一之间。

变换由以下公式给出

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。

这种变换通常被用作零均值、单位方差缩放的替代方法。

MinMaxScaler 不会减小异常值的影响，但它会线性地将它们缩放到一个固定的范围，其中出现的最大数据点对应最大值，最小数据点对应最小值。有关示例可视化，请参阅 Compare MinMaxScaler with other scalers。

在用户指南中阅读更多内容。

参数:

feature_range元组 (min, max)，默认为 (0, 1): 变换后数据的期望范围。
copy布尔值, 默认为 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）。
clip布尔值，默认为 False: 设置为 True 以将保留数据的变换值裁剪到提供的 feature_range。由于此参数会裁剪值，因此 inverse_transform 可能无法恢复原始数据。

注意

将 clip=True 设置为 True 并不会阻止特征漂移（训练数据和测试数据之间的分布偏移）。变换后的值被裁剪到 feature_range，这有助于避免对范围外输入敏感的模型（例如线性模型）出现意外行为。请谨慎使用，因为裁剪可能会扭曲测试数据的分布。

0.24 版本新增。

属性:

min_形状为 (n_features,) 的 ndarray: 每特征的最小值调整。等同于 min - X.min(axis=0) * self.scale_
scale_形状为 (n_features,) 的 ndarray: 每特征数据的相对缩放比例。等同于 (max - min) / (X.max(axis=0) - X.min(axis=0))

Added in version 0.17: scale_ attribute.
data_min_形状为 (n_features,) 的 ndarray: 每特征在数据中看到的最小值

Added in version 0.17: data_min_
data_max_形状为 (n_features,) 的 ndarray: 每特征在数据中看到的は最大值

Added in version 0.17: data_max_
data_range_形状为 (n_features,) 的 ndarray: 每特征在数据中看到的范围 (data_max_ - data_min_)

Added in version 0.17: data_range_
n_features_in_int: 在拟合期间看到的特征数。

0.24 版本新增。
n_samples_seen_int: 估计器处理的样本数量。在每次调用 fit 时都会重置，但在多次调用 partial_fit 时会累加。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

minmax_scale: 不包含估算器 API 的等效函数。

注意事项

NaN 被视为缺失值：在拟合过程中忽略，在转换过程中保持。

示例

>>> from sklearn.preprocessing import MinMaxScaler
>>> data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
>>> scaler = MinMaxScaler()
>>> print(scaler.fit(data))
MinMaxScaler()
>>> print(scaler.data_max_)
[ 1. 18.]
>>> print(scaler.transform(data))
[[0.   0.  ]
 [0.25 0.25]
 [0.5  0.5 ]
 [1.   1.  ]]
>>> print(scaler.transform([[2, 2]]))
[[1.5 0. ]]

fit(X, y=None)[源]#

计算用于后续缩放的最小值和最大值。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 用于计算用于沿特征轴的后续缩放的每特征最小值和最大值的数据。
yNone: 忽略。

返回:

selfobject: 拟合好的缩放器。

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

拟合数据，然后对其进行转换。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None: 目标值（对于无监督转换，为 None）。
**fit_paramsdict: 额外的拟合参数。仅当估计器在其 fit 方法中接受额外的参数时才传递。

返回:

X_newndarray array of shape (n_samples, n_features_new): 转换后的数组。

get_feature_names_out(input_features=None)[源]#

获取转换的输出特征名称。

参数:

input_featuresarray-like of str or None, default=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 array-like，则如果定义了 feature_names_in_，input_features 必须与 feature_names_in_ 匹配。

返回: