normalize

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

Масштабирует входные векторы по отдельности до единичной нормы (длины вектора).

Подробнее см. в руководстве пользователя.

Параметры:

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

Данные, которые необходимо нормализовать поэлементно. Для разреженных матриц scipy.sparse следует использовать формат CSR, чтобы избежать ненужного копирования.

norm{‘l1’, ‘l2’, ‘max’}, default=’l2’

Норма, используемая для нормализации каждого ненулевого образца (или каждого ненулевого признака, если axis равен 0).

axis{0, 1}, default=1

Задает ось, вдоль которой нормализуются данные. Если значение равно 1, каждый образец нормализуется независимо; в противном случае (если значение равно 0) нормализуется каждый признак.

copybool, default=True

Если False, пытается избежать копирования и выполнить нормализацию на месте. Это не гарантирует, что операция всегда будет выполнена на месте; например, если данные — массив numpy с целочисленным dtype, будет возвращена копия даже при copy=False.

return_normbool, default=False

Возвращать ли вычисленные нормы.

Возвращает:

X{ndarray, sparse matrix} of shape (n_samples, n_features)

Нормализованные входные данные X.

normsndarray of shape (n_samples, ) if axis=1 else (n_features, )

Массив норм X вдоль заданной оси. Если X является разреженной матрицей, для нормы ‘l1’ или ‘l2’ будет вызвано исключение NotImplementedError.

См. также

Normalizer

Выполняет нормализацию с использованием API трансформеров (например, в составе Pipeline предварительной обработки).

Примечания

Сравнение различных средств масштабирования, трансформеров и нормализаторов см. здесь: Сравнение влияния различных средств масштабирования 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]])