нормализовать

sklearn.preprocessing.нормализовать(X, norm='l2', *, ось=1, copy=True, return_norm=False)

Масштабирование входных векторов индивидуально до единичной нормы (длины вектора).

Подробнее в Руководство пользователя.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Данные для нормализации, элемент за элементом. Разреженные матрицы scipy.sparse должны быть в формате CSR, чтобы избежать ненужного копирования.

norm{‘l1’, ‘l2’, ‘max’}, по умолчанию=’l2’

Норма для нормализации каждого ненулевого образца (или каждого ненулевого признака, если ось равна 0).

ось{0, 1}, по умолчанию=1

Определяет ось, используемую для нормализации данных. Если 1, нормализуется каждая выборка независимо, иначе (если 0) нормализуется каждый признак.

copybool, по умолчанию=True

Если False, попытаться избежать копирования и нормализовать на месте. Это не гарантирует всегда работать на месте; например, если данные являются массивом numpy с целочисленным типом, будет возвращена копия даже при copy=False.

return_normbool, по умолчанию=False

Возвращать ли вычисленные нормы.

Возвращает:

X{ndarray, разреженная матрица} формы (n_samples, n_features)

Нормализованный вход X.

нормыndarray формы (n_samples, ), если axis=1, иначе (n_features, )

Массив норм вдоль заданной оси для X. Когда X разрежен, для норм 'l1' или 'l2' будет вызвано NotImplementedError.

Смотрите также

Normalizer

Выполняет нормализацию с использованием Transformer API (например, как часть предобработки Pipeline).

Примечания

Для сравнения различных масштабировщиков, преобразователей и нормализаторов см.: Сравнение влияния различных масштабировщиков на данные с выбросами.

Примеры

>>> 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]])