sklearn normalize() 将每个值生成为 1

Question

我试图将单个特征归一化为 [0, 1]，但我返回的结果是所有浮点值都为 1，这显然是错误的。

import pandas as pd
import numpy as np
from sklearn.preprocessing import normalize

test = pd.DataFrame(data=[7, 6, 5, 2, 9, 9, 7, 8, 6, 5], columns=['data'])
normalize(test['data'].values.reshape(-1, 1))

这会产生以下输出：

array([[1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.]])

我认为这可能是一个 int to float 数据类型问题，所以我尝试首先转换为 float normalize(test['data'].astype(float).values.reshape(-1, 1))，但这给出了相同的结果。我错过了什么？

Answer 1

这是因为默认axis值为 1。

设置axis = 0：

normalize(test['data'].values.reshape(-1, 1), axis=0)

输出：

array([[0.32998316],
       [0.28284271],
       [0.23570226],
       [0.0942809 ],
       [0.42426407],
       [0.42426407],
       [0.32998316],
       [0.37712362],
       [0.28284271],
       [0.23570226]])