normalize

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

缩放输入向量以单位范数（向量长度）。

更多信息请参阅 用户指南 。

Parameters:

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

要标准化的数据，逐元素进行。 scipy.sparse 矩阵应为 CSR 格式，以避免不必要的复制。

norm{‘l1’, ‘l2’, ‘max’}，默认=’l2’

用于标准化每个非零样本（或每个非零特征，如果 axis 为 0）的范数。

axis{0, 1}，默认=1

定义用于沿其标准化数据的轴。如果为 1，则独立标准化每个样本；否则（如果为 0）标准化每个特征。

copybool，默认=True

如果为 False，尝试避免复制并在原地进行标准化。 这不能保证总是就地工作；例如，如果数据是具有 int 类型的 numpy 数组，即使 copy=False，也会返回一个副本。

return_normbool，默认=False

是否返回计算的范数。

Returns:

X{ndarray, sparse matrix}，形状为 (n_samples, n_features)

标准化后的输入 X。

normsndarray，形状为 (n_samples, ) 如果 axis=1 否则为 (n_features, )

给定轴上 X 的范数数组。 当 X 为稀疏矩阵时，对于范数 ‘l1’ 或 ‘l2’ 将引发 NotImplementedError。

See also

Normalizer

使用 Transformer API 进行标准化 （例如，作为预处理 Pipeline 的一部分）。

Notes

有关不同缩放器、转换器和标准化器的比较，请参见 比较不同缩放器对含有异常值的数据的影响 。

Examples

>>> from sklearn.preprocessing import normalize
>>> X = [[-2, 1, 2], [-1, 0, 1]]
>>> normalize(X, norm="l1")  # 每行独立进行 L1 标准化
array([[-0.4,  0.2,  0.4],
       [-0.5,  0. ,  0.5]])
>>> normalize(X, norm="l2")  # 每行独立进行 L2 标准化
array([[-0.66...,  0.33...,  0.66...],
       [-0.70...,  0.     ,  0.70...]])