机器学习 归一化数值

在计算欧氏距离的过程中，数值较大的属性对结果的贡献大，如果认为不同属性权重应该相同的话，就需要将数值归一化处理。

from numpy import *
def autoNorm(dataset):
    minVals=dataset.min(0)  #取每列的最小值，返回数组
    print(minVals)
    maxVals=dataset.max(0)
    print(maxVals)
    ranges=maxVals-minVals  #ranges是每列的最大值与最小值之差组成的数组
    print(ranges)
    normDataset=zeros(shape(dataset))
    print(normDataset)
    m=dataset.shape[0]  #取dataset的行数
    normDataset=dataset-tile(minVals,(m,1))
    print(normDataset)
    normDataset=normDataset/tile(ranges,(m,1))
    print(ranges)
    return normDataset

 minVals=dataset.min(0)    #取数据集每列的最小值，返回数组

from numpy import *
dataset=array(([6,5],
             [3,1000],
             [10,300]))
print(dataset.min())    #返回所有元素中的最小值
print(dataset.min(0))   #返回每列的最小值组成的数组
print(dataset.min(1))   #返回每行的最小值组成的数组
输出：
3
[3 5]
[ 5  3 10]

 m=dataset.shape[0] #取dataset的行数

from numpy import *
dataset=array(([6,5],
             [3,1000],
             [10,300]))
print(dataset.shape)    #返回数据集的“形状”，行数和列数
print(dataset.shape[0])     #返回行数
print(dataset.shape[1])     #返回列数
输出：
(3, 2)
3
2