在K最近邻分类的上下文中,我需要最小化-最大化规范字典中的多个值。我通过获取值,将它们分成单独的列表,在这些列表上运行min-max normalize函数,然后再次将列表压缩在一起来完成此操作。见下文。我猜有更聪明的方法吗?
dataset = {'a':[1, 200], 'b':[1.5, 180], 'c':[0.8, 80], 'd':[1.2, 150]}
values = dataset.values()
value_1 = [i[0] for i in values]
value_2 = [i[1] for i in values]
def min_max_normalize(lst):
minimum = min(lst)
maximum = max(lst)
normalized = []
for i in range(len(dataset)):
normalized_value = (lst[i] - minimum)/(maximum - minimum)
normalized.append(normalized_value)
return normalized
value_1_normalized = min_max_normalize(value_1)
value_2_normalized = min_max_normalize(value_2)
values_normalized = zip(value_1_normalized, value_2_normalized)
答案 0 :(得分:0)
为什么不使用scikit-learn中的MinMaxScaler
?
from sklearn.preprocessing import MinMaxScaler
dataset = {'a':[1, 200], 'b':[1.5, 180], 'c':[0.8, 80], 'd':[1.2, 150]}
vals = list(dataset.values())
scl = MinMaxScaler().fit(vals)
scl.transform(vals)
# array([[0.28571429, 1. ],
# [1. , 0.83333333],
# [0. , 0. ],
# [0.57142857, 0.58333333]])
请记住仅适合您的火车,然后您可以将scl.transform
应用于测试车。