normalize#

sklearn.preprocessing.normalize(X, norm='l2', *, axis=1, copy=True, return_norm=False)[source]#

将输入向量单独归一化为单位范数（向量长度）。

在用户指南中了解更多信息。

参数:

Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}: 要归一化的数据，元素按元素处理。scipy.sparse 矩阵应采用 CSR 格式，以避免不必要的复制。
norm{‘l1’, ‘l2’, ‘max’}, default=’l2’: 用于归一化每个非零样本（如果 axis 为 0，则归一化每个非零特征）的范数。
axis{0, 1}, default=1: 定义用于沿其归一化数据的轴。如果为 1，则独立归一化每个样本；否则（如果为 0），则归一化每个特征。
copy布尔值, 默认为 True: 如果为 False，则尝试避免复制并就地归一化。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。
return_normbool, default=False: 是否返回计算出的范数。

返回:

X{ndarray, sparse matrix} of shape (n_samples, n_features): 归一化的输入 X。
normsndarray of shape (n_samples, ) if axis=1 else (n_features, ): X 沿给定轴的范数数组。当 X 为稀疏矩阵时，对于范数 ‘l1’ 或 ‘l2’ 将引发 NotImplementedError。

另请参阅

Normalizer: 使用 Transformer API 执行归一化（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 normalize
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> normalize(X, norm="l1")  # L1 normalization each row independently
array([[-0.4,  0.2,  0.4],
       [-0.5,  0. ,  0.5]])
>>> normalize(X, norm="l2")  # L2 normalization each row independently
array([[-0.67, 0.33, 0.67],
       [-0.71, 0.  , 0.71]])

normalize#

本页