如何用sklearn规范二维数组?

你正在标准化整个矩阵。MinMaxScaler是为机器学习而设计的,因此根据您如何定义它来执行每行或每列的标准化。要获得与您相同的结果,您需要将二维数组转换为一维数组。我在下面展示了这一点,并在第一列中得到了相同的结果:

import numpy as np
from sklearn.preprocessing import normalize, MinMaxScaler

np.random.seed(0)
t_feat=4
t_epoch=3
t_wind=2

result = [np.random.rand(t_epoch, t_feat) for _ in range(t_wind)]
wdw_epoch_feat=np.array(result)
matrix=wdw_epoch_feat[:,:,0]

xmax, xmin = matrix.max(), matrix.min()
x_norm = (matrix - xmin)/(xmax - xmin)


matrix = np.array([matrix.flatten(), np.random.rand(len(matrix.flatten()))]).T
scaler = MinMaxScaler() 
test  = scaler.fit_transform(matrix)

print(test)
-------------------------------------------
[[0.55153917 0.        ]
 [0.42094786 0.63123194]
 [0.98439526 0.03034732]
 [0.57160496 1.        ]
 [0.         0.48835502]
 [1.         0.35865137]]

在使用MinMaxScaler进行机器学习时,通常需要标准化每个列。

一个聪明的方法是将数据重塑为1D,应用转换并将其重塑为原始数据-

import numpy as np

X = np.array([[-1, 2], [-0.5, 6]])
scaler = MinMaxScaler()
X_one_column = X.reshape([-1,1])
result_one_column = scaler.fit_transform(X_one_column)
result = result_one_column.reshape(X.shape)
print(result)

[[ 0.          0.42857143]
 [ 0.07142857  1.        ]]