归一化器#
- class sklearn.preprocessing.Normalizer(norm='l2', *, copy=True)[源代码]#
将样本单独标准化至单位规范。
具有至少一个非零分量的每个样本（即数据矩阵的每一行）独立于其他样本重新缩放，以便其规范（l1、l2或inf）等于1。
这个Transformer能够同时处理密集的numpy数组和scipy.sparse矩阵（如果你想避免复制/转换的负担，请使用CSR格式）。
例如，将输入缩放到单位规范是文本分类或集群的常见操作。例如，两个l2规格化的TF-IDF载体的点积是载体的Cosol相似度，并且是信息检索界常用的载体空间模型的基本相似度度量。
有关可视化示例，请参阅 Compare Normalizer with other scalers .
阅读更多的 User Guide .
- 参数:
- norm' l1 '，'，' max '，默认=' l2 '
用于标准化每个非零样本的规范。如果使用norm =' max '，值将根据绝对值的最大值重新缩放。
- 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数组或scipy.sparse CSR矩阵）。
- 属性:
参见
normalize没有估计器API的等效功能。
注意到
这个估计器是 stateless 并且不需要安装。不过，我们建议致电
fit_transform而不是transform，因为参数验证仅在fit.示例
>>> from sklearn.preprocessing import Normalizer >>> X = [[4, 1, 2, 2], ... [1, 3, 9, 3], ... [5, 7, 5, 1]] >>> transformer = Normalizer().fit(X) # fit does nothing. >>> transformer Normalizer() >>> transformer.transform(X) array([[0.8, 0.2, 0.4, 0.4], [0.1, 0.3, 0.9, 0.3], [0.5, 0.7, 0.5, 0.1]])
- fit(X, y=None)[源代码]#
仅验证估计器的参数。
该方法允许：（i）验证估计器的参数以及（ii）与scikit-learn Transformer API一致。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
用于估计正规化参数的数据。
- y忽视
未使用，此处列出是为了按照惯例实现API一致性。
- 返回:
- self对象
已安装Transformer。
- 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。
- 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。
- set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') Normalizer[源代码]#
请求元数据传递给
transform法请注意，此方法仅适用于以下情况
enable_metadata_routing=True（见sklearn.set_config).请参阅 User Guide 关于路由机制如何工作。The options for each parameter are:
True：元数据被请求并传递给transform如果提供的话。如果未提供元数据，则会忽略请求。False：未请求元数据，元估计器不会将其传递给transform.None：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。str：元数据应通过此给定别名而不是原始名称传递给元估计器。
默认 (
sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。Added in version 1.3.
备注
只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在
Pipeline.否则就没有效果了。- 参数:
- copy字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged
元数据路由
copy参数transform.
- 返回:
- self对象
更新的对象。