标签: normalization

我有一个范围介于-1.396655to之间的双打列表，1.74707甚至可能更高或更低，无论哪种方式，我都会在规范化之前知道MinandMax值是什么。我的问题是我怎么能正常化之间的这些值-1来1甚至更好的是从双值转换他们的char值0以255

任何帮助，将不胜感激。

double range = (double)(max - min);
value = 255 * (value - min)/range

我有以下问题 - 我有一个A大小为 16x22440的矩阵。

我需要做的是对这个矩阵的每一行进行归一化，使每行的范数等于 1 ( for n=1:16 norm(A(n,:))==1)

我怎样才能在matlab中实现这一目标？

编辑：此矩阵中的每一行都是由 160x140 图像创建的向量，因此必须单独考虑。需要对这些值进行归一化以创建特征脸矩阵。

我已将图像分成 3 个单独的颜色通道 - 一个蓝色、一个绿色和一个红色。我想通过图像的强度对这些通道中的每一个进行归一化，其中强度 =（红色 + 蓝色 + 绿色）/3。明确地说，我试图制作一个由三个颜色通道之一组成的图像，除以图像的强度，其中强度由上面的等式描述。我是 OpenCV 的新手，我不认为我这样做是正确的；显示图像时，所有像素都显示为黑色。我是 OpenCV 的新手（我已经完成了文档附带的教程，但仅此而已） - 关于如何进行这种规范化的任何建议都会非常有帮助。

谢谢！

这是我的尝试：

int main(int argc, char** argv){
Mat sourceImage, I;
const char* redWindow = "Red Color Channel";
const char* greenWindow = "Green Color Channel";
const char* blueWindow = "Blue Color Channel";


if(argc != 2)
{
  cout << "Incorrect number of arguments" << endl;
}
/* Load the image */
sourceImage = imread(argv[1], 1);
if(!sourceImage.data)
{
  cout << "Image failed to load" << endl;
} …

所以我有一个数据框,我通过合并训练(标记)和测试(未标记)数据帧形成.并且为了取消附加测试数据框,我保留了一个列,如果该行属于训练或测试,则该列具有标识符.现在我必须规范化所有列中的所有值,除了这一列"Sl No." 但我没有找到任何方法通过这一栏.这就是我在做的事情

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

data_norm = data_x_filled.copy() #Has training + test data frames combined to form single data frame
normalizer = StandardScaler()
data_array = normalizer.fit_transform(data_norm)
data_norm = pd.DataFrame(data_array,columns = data_norm.columns).set_index(data_norm.index)

我只想排除"Sl No."栏目 规范化但希望在规范化后保留它.

熊猫数据框：

>>> df
                  sales  net_pft
STK_ID RPT_Date                 
002138 20140930   3.325    0.607
       20150930   3.619    0.738
       20160930   4.779    0.948
600004 20140930  13.986    2.205
       20150930  14.226    3.080
       20160930  15.499    3.619
600660 20140930  31.773    5.286
       20150930  31.040    6.333
       20160930  40.062    7.186

只想知道如何获得输出，因为每行的值除以每组的第一行，如下所示：

                  sales  net_pft
STK_ID RPT_Date                 
002138 20140930   1.000    1.000
       20150930   1.088    1.216
       20160930   1.437    1.562
600004 20140930   1.000    1.000
       20150930   1.017    1.397
       20160930   1.108    1.641
600660 20140930   1.000    1.000
       20150930   0.977    1.198
       20160930   1.261    1.359

谢谢，

我正在尝试对包含多个带有数值可观察量（特征）的列、带有日期和实验条件的列以及其他非数值条件（例如文件名）的 Pandas 数据表中的实验数据进行标准化。

我想要

• 使用拆分-应用-组合范例
• 使用子组的聚合统计数据在组内标准化
• 使用不同的归一化（例如除以控制均值、Z 分数）
• 将此应用于所有数字列（可观察值）
• 最后，生成与原始结构相同的扩充数据表，但增加了列，例如，对于列 Observable1，应添加列 normalized_Observable1

可以使用以下代码片段生成具有此结构的简化数据表：

import numpy as np
import pandas as pd
df = pd.DataFrame({
   'condition': ['ctrl', 'abc', 'ctrl', 'abc', 'def', 'ctlr', 'ctlr', 'asdasd', 'afff', 'afff', 'gr1','gr2', 'gr2', 'ctrl', 'ctrl', 'kjkj','asht','ctrl'],
   'date':  ['20170131', '20170131', '20170131', '20170131','20170131', '20170606', '20170606', '20170606', '20170606', '20170606', '20170404', '20170404', '20170404', '20170404', '20170404', '20161212', '20161212', '20161212'],
   'observation1':  [1.2, 2.2, 1.3, 1.1, 2.3 , 2.3, 4.2, 3.3, 5.1, 3.3, 3.4, 5.5, 9.9, 3.2, 1.1, 3.3, 1.2, 5.4],
   'observation2':  [3.1, …

什么方法是对没有理论最大值的特征进行归一化/标准化的最佳方法？

例如，股票价值一直在 0-1000 美元之间的趋势并不意味着它不能进一步上涨，那么正确的方法是什么？

我想过在更高的最大值（例如 2000 ）上训练模型，但感觉不对，因为 1000-2000 范围内没有可用的数据，我认为这会引入偏差

我正在尝试训练一个用于面部性别和年龄检测的 cnn 模型。我的训练集包含彩色和灰度的面部图像。我如何标准化这个数据集？或者如何处理混合了灰度和彩色图像的数据集？

任何人都可以在幕后解释数学吗？为什么Python和R会给我不同的结果？我应该将哪一个用于实际业务场景？

原始数据

id  cost    sales   item
1   300      50     pen
2   3        88     wf
3   1        70     gher
4   5        80     dger
5   2        999    ww

Python代码:

import pandas as pd
from sklearn.preprocessing import StandardScaler
df = pd.read_csv('Scale.csv')
df[['cost', 'sales']] = StandardScaler().fit_transform(df[['cost', 'sales']])
df

Python规范化结果

    id     cost        sales    item
0   1   1.999876    -0.559003   pen
1   2   -0.497867   -0.456582   wf
2   3   -0.514686   -0.505097   gher
3   4   -0.481047   -0.478144   dger
4   5   -0.506276   1.998826    ww

和R代码

library(readr)
library(dplyr)
df <- read_csv("C:/Users/Ho/Desktop/Scale.csv") …

我有上述分布，均值为-0.02，标准差为0.09，样本量为13905。

我只是不确定为什么鉴于样本量大，分布是左偏的。从 bin [-2.0 到 -0.5]，该 bin 中只有 10 个样本计数/异常值，这解释了形状。

我只是想知道是否可以标准化以使其更平滑和“正态”分布。目的是将其输入模型，同时降低预测器的标准误差。