MinMaxScaler

缺点：

 新数据加入时可能会 改变数据的min或max值

实现1：

from sklearn.preprocessing import MinMaxScaler
 
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
#实例化
scaler = MinMaxScaler() #如果（）内为空，MinMaxScaler会把原数据归一化到默认值：[o,1]范围内
scaler.fit(data) #生成了min&max
 
result = scaler.transform(data) #通过transform接口导出归一化结果
result

array([[0.  , 0.  ],
       [0.25, 0.25],
       [0.5 , 0.5 ],
       [1.  , 1.  ]])

 解析：

通过下面的代码可见data： 

data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
import pandas as pd
pd.DataFrame(data)

 

 再看array的运行结果，可见：

data中0、1两列提供的信息量是一样的。

 

 其实倒数第三、第二行的代码可以合起来写成

result = scaler.fit_transform(data)

其运行结果是一样的 

与之对应的可以将运行结果逆转回原数据

scaler.inverse_transform(result)

array([[-1. ,  2. ],
       [-0.5,  6. ],
       [ 0. , 10. ],
       [ 1. , 18. ]])

实现2 

from sklearn.preprocessing import MinMaxScaler
 
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
#实例化
scaler = MinMaxScaler(feature_range = [5, 10]) #把原数据归一化到：[5,10]范围内
scaler.fit(data) #生成了min&max
 
result = scaler.transform(data) #通过transform接口导出归一化结果
result

array([[ 5.  ,  5.  ],
       [ 6.25,  6.25],
       [ 7.5 ,  7.5 ],
       [10.  , 10.  ]])