MinMaxScaler#

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

通过将每个特征缩放到给定范围来变换特征。

该估计器单独缩放和转换每个特征，使其处于训练集中的给定范围内，例如在零和一之间。

变换由下式给出：

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。

这种变换通常用作零均值、单位方差缩放的替代方法。

MinMaxScaler 不会减少异常值的影响，但它将它们线性地缩小到固定范围，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。有关可视化示例，请参阅 Compare MinMaxScaler with other scalers .

阅读更多的 User Guide .

参数:

feature_rangetuple（min，max），默认=（0，1）: 所需的转换数据范围。
copy布尔，默认=True: 设置为False以执行就地行规范化并避免复制（如果输入已经是numpy数组）。
clip布尔，默认=假: 设置为True以将持有数据的转换值剪辑为提供 feature range .

Added in version 0.24.

属性:

min_形状的nd数组（n_features，）: 每个功能最低调整。相当于 min - X.min(axis=0) * self.scale_
scale_形状的nd数组（n_features，）: 按特征相对缩放数据。相当于 (max - min) / (X.max(axis=0) - X.min(axis=0))

Added in version 0.17: scale_ 属性
data_min_形状的nd数组（n_features，）: 数据中看到的每个特征最小值

Added in version 0.17: data_min_
data_max_形状的nd数组（n_features，）: 数据中看到的每个要素最大值

Added in version 0.17: data_max_
data_range_形状的nd数组（n_features，）: 每个功能范围 (data_max_ - data_min_) 数据中可见

Added in version 0.17: data_range_
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
n_samples_seen_int: 估计器处理的样本数。它将在新呼叫时重置以适应，但会增加 partial_fit 电话
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

minmax_scale: 没有估计器API的等效功能。

注意到

NaN被视为缺失值：在适应中被忽略，并在变换中被保留。

示例

>>> 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)[源代码]#

计算用于稍后缩放的最小值和最大值。

参数:

X形状类似阵列（n_samples，n_features）: 用于计算每个特征的最小值和最大值的数据，用于以后沿特征轴进行缩放。
y没有一: 忽视

返回:

self对象: 安装了scaler。

fit_transform(X, y=None, **fit_params)[源代码]#

适应数据，然后对其进行转换。

适合变压器 X 和 y 具有可选参数 fit_params 并返回的转换版本 X .

参数:

X形状类似阵列（n_samples，n_features）: 输入样本。
y形状为（n_samples，）或（n_samples，n_outputs）的阵列状，默认值=无: 目标值（无监督转换）。
**fit_paramsdict: 其他适合参数。

返回:

X_newndray形状数组（n_samples，n_features_new）: 变形的数组。

get_feature_names_out(input_features=None)[源代码]#

获取用于转换的输出要素名称。

参数:

input_features字符串或无的类数组，默认=无

输入功能。

如果 input_features 是 None 那么 feature_names_in_ 在中用作功能名称。如果 feature_names_in_ 未定义，则生成以下输入要素名称： ["x0", "x1", ..., "x(n_features_in_ - 1)"] .
如果 input_features 是一个类似阵列的，那么 input_features 必须匹配 feature_names_in_ 如果 feature_names_in_ 是定义的。

返回:

feature_names_out字符串对象的nd数组: 与输入功能相同。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

inverse_transform(X)[源代码]#

根据feature_Range撤销X的缩放。

参数:

X形状类似阵列（n_samples，n_features）: 输入将被转换的数据。它不能稀疏。

返回:

Xt形状的nd数组（n_samples，n_features）: 转换的数据。

partial_fit(X, y=None)[源代码]#

在线计算X上的最小值和最大值，以便稍后进行缩放。

所有X都作为单个批次处理。这适用于以下情况： fit 由于大量的 n_samples 或者因为X是从连续流中读取的。

参数:

X形状类似阵列（n_samples，n_features）: 用于计算均值和标准差的数据，用于稍后沿特征轴缩放。
y没有一: 忽视

返回:

self对象: 安装了scaler。

set_output(*, transform=None)[源代码]#

设置输出容器。

看到介绍 set_output API 了解如何使用API的示例。

参数:

transform{“默认”，“pandas”，“polars”}，默认=无

配置输出 transform 和 fit_transform .

"default" ：Transformer的默认输出格式
"pandas" ：DataFrame输出
"polars" ：两极输出
None ：转换配置不变

Added in version 1.4: "polars" 添加了选项。

返回:

self估计器实例: 估计实例。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

transform(X)[源代码]#

根据feature_Range缩放X的特征。

参数:

X形状类似阵列（n_samples，n_features）: 输入将被转换的数据。

返回:

Xt形状的nd数组（n_samples，n_features）: 转换的数据。