normalize

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

Масштабирует входные векторы индивидуально до единичной нормы (длины вектора).

Подробнее см. в Руководстве пользователя.

Параметры:

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

Данные для нормализации, элемент за элементом. Матрицы scipy.sparse должны быть в формате CSR, чтобы избежать ненужной копии.

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

Норма, используемая для нормализации каждого ненулевого образца (или каждой ненулевой характеристики, если ось равна 0).

axis{0, 1}, по умолчанию=1

Определяет ось, по которой нормализуются данные. Если 1, то независимо нормализуется каждый образец, в противном случае (если 0) нормализуется каждая характеристика.

copybool, по умолчанию=True

Если False, попытаться избежать копии и нормализовать на месте. Это не гарантированно всегда работает на месте; например, если данные представляют собой массив NumPy с целочисленным типом данных, будет возвращена копия, даже если copy=False.

return_normbool, по умолчанию=False

Возвращать ли вычисленные нормы.

Возвращаемые значения:

X{ndarray, sparse matrix} формы (n_samples, n_features)

Нормализованный вход X.

normsndarray формы (n_samples, ) если ось=1, иначе (n_features, )

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

См. также

Normalizer

Выполняет нормализацию, используя API трансформатора (например, как часть предобработки Pipeline).

Примечания

Для сравнения различных масштабирователей, трансформаторов и нормализаторов см.: Сравнение эффекта различных масштабирователей 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([[-0.66...,  0.33...,  0.66...],
       [-0.70...,  0.     ,  0.70...]])