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。

此估计器单独缩放并平移每个特征，使其在训练集上处于给定范围（即零到一之间）。

变换由下式给出（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。

变换计算如下（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))

此变换通常用作零均值、单位方差缩放的替代方案。

在 用户指南 中阅读更多内容。

版本 0.17 中新增: minmax_scale 函数接口到 MinMaxScaler。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

数据。

feature_rangetuple (min, max), default=(0, 1)

转换后数据的期望范围。

axis{0, 1}, default=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），则缩放每个样本。

copy布尔值, 默认为 True

如果为 False，则尝试避免复制并将数据就地缩放。这不能保证始终可以就地完成；例如，如果数据是具有 int 数据类型的 numpy 数组，则即使 copy=False 也会返回副本。

返回:
X_trndarray of shape (n_samples, n_features)

转换后的数据。

警告

数据泄露风险 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分成训练集和测试集之前将其应用于整个数据。这会使模型评估产生偏差，因为信息会从测试集泄露到训练集。通常，我们建议在 Pipeline 中使用 MinMaxScaler，以防止大多数数据泄露风险：pipe = make_pipeline(MinMaxScaler(), LogisticRegression())。

另请参阅

MinMaxScaler

使用 Transformer API 执行缩放到给定范围（例如作为预处理 Pipeline 的一部分）。

注意事项

有关不同缩放器、变换器和归一器的比较，请参阅：比较不同缩放器对异常值数据的效果。

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.  ]])