MinMaxScaler#

class sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), *, copy=True, clip=False)#

转换特征通过将每个特征缩放到给定范围。

该估计器单独缩放和转换每个特征，使其在训练集上的给定范围内，例如在零和一之间。

转换公式如下：

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0)) X_scaled = X_std * (max - min) + min

其中 min, max = feature_range。

这种转换通常用作零均值、单位方差缩放的替代方法。

MinMaxScaler 不会减少离群值的影响，但会线性将它们缩放到一个固定范围，其中最大的数据点对应于最大值，最小的数据点对应于最小值。有关示例可视化，请参阅 Compare MinMaxScaler with other scalers 。

更多信息请参阅 User Guide 。

Parameters:

feature_rangetuple (min, max), default=(0, 1): 期望的转换数据范围。
copybool, default=True: 设置为 False 以就地进行行归一化并避免复制（如果输入已经是 numpy 数组）。
clipbool, default=False: 设置为 True 以将保留数据的转换值剪辑到提供的 feature range 。

Added in version 0.24.

Attributes:

min_ndarray of shape (n_features,): 每个特征的最小值调整。等价于 min - X.min(axis=0) * self.scale_
scale_ndarray of shape (n_features,): 数据的每个特征相对缩放。等价于 (max - min) / (X.max(axis=0) - X.min(axis=0))

Added in version 0.17: scale_ 属性。
data_min_ndarray of shape (n_features,): 数据中每个特征的最小值

Added in version 0.17: data_min_
data_max_ndarray of shape (n_features,): 数据中每个特征的最大值

Added in version 0.17: data_max_
data_range_ndarray of shape (n_features,): 数据中每个特征的范围 (data_max_ - data_min_)

Added in version 0.17: data_range_
n_features_in_int: 在 fit 期间看到的特征数量。

Added in version 0.24.
n_samples_seen_int: 估计器处理的样本数量。它将在新的 fit 调用中重置，但在 partial_fit 调用中递增。
feature_names_in_ndarray of shape ( n_features_in_ ,): 在 fit 期间看到的特征名称。仅当 X 的特征名称均为字符串时定义。

Added in version 1.0.

See also

minmax_scale: 没有估计器 API 的等效函数。

Notes

NaNs 被视为缺失值：在 fit 中忽略，在 transform 中保持。

Examples

>>> from sklearn.preprocessing import MinMaxScaler
>>> data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
>>> scaler = MinMaxScaler()
>>> print(scaler.fit(data))
MinMaxScaler()
>>> print(scaler.data_max_)
[ 1. 18.]
>>> print(scaler.transform(data))
[[0.   0.  ]
 [0.25 0.25]
 [0.5  0.5 ]
 [1.   1.  ]]
>>> print(scaler.transform([[2, 2]]))
[[1.5 0. ]]

fit(X, y=None)#

计算用于后续缩放的最小值和最大值。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 用于计算沿特征轴缩放的每个特征的最小值和最大值的数据。
yNone: 忽略。

Returns:

selfobject: 拟合的缩放器。

fit_transform(X, y=None, **fit_params)#

拟合数据，然后进行转换。

将转换器拟合到 X 和 y ，并带有可选参数 fit_params ，并返回 X 的转换版本。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组, 默认=None: 目标值（无监督转换为 None）。
**fit_paramsdict: 其他拟合参数。

Returns:

X_new形状为 (n_samples, n_features_new) 的 ndarray 数组: 转换后的数组。

get_feature_names_out(input_features=None)#

获取变换后的输出特征名称。

Parameters:

input_features字符串数组或None，默认=None

输入特征。

如果 input_features 是 None ，则使用 feature_names_in_ 作为输入特征名称。如果 feature_names_in_ 未定义，则生成以下输入特征名称： ["x0", "x1", ..., "x(n_features_in_ - 1)"] 。
如果 input_features 是数组类型，则 input_features 必须与 feature_names_in_ 匹配（如果 feature_names_in_ 已定义）。

Returns: