資料離散化和歸一化

資料離散化和歸一化

在進行資料分析時，通常需要對資料進行歸一化和離散化的操作

from pylab import *

from numpy import *
import
codecs
import
matplotlib.pyplot as plt
import operator                                      #
新加了乙個庫，用於排序
import
pandas as pd
from numpy.random import
random
from sklearn import
preprocessing 
url = "
resultdata.txt
"nmi_all=                                           #
儲存所有的互資訊的值
data_number = 0                                      #
用於計數
featurenum=6                                            #
定義待讀取資料的特徵數量
data_num = 100                                         #
一百條資料
data =
defopen_file(url):   
with codecs.open(url, "r
") as f:
tmp =
for line in
f.readlines():
line1=line.strip()
line2=line1.split(','
)            
for i in
range(0, featurenum):
tmp =
datas =array(data)
defgui_yi_hua(data):
min_max_scaler =preprocessing.minmaxscaler()  
tseg_minmax =min_max_scaler.fit_transform(data)
return
(tseg_minmax)
#tseg_out = pd.dataframe(tseg_minmax)
#tseg_out.to_csv('tseg_out.csv')
defarry_discretization(tseg_minmax):
for tmp in
tseg_minmax:
print
(tmp)
ages=tmp
bins = [0,0.25,0.5,0.75,1]
group_names=['
這個屬於0-0.25
','這個屬於0.25-0.5
','這個屬於0.5-0.75
','這個屬於0.75-1']
cuts=pd.cut(ages,bins,labels=group_names)
print
(cuts)
print
(pd.value_counts(cuts))
if__name__ == '
__main__':
open_file(url)
arry_discretization(gui_yi_hua(data))

資料歸一化和連續資料離散化處理

資料歸一化處理 1.0 1標準化 2.z score標準化 1.0 1標準化 將資料的最大最小值記錄下來，並通過max min作為基數，進行資料的歸一化處理 2.z score標準化 z分數，是乙個分數與平均數的差再除以標準差的過程 z值的量代表著原始分數和母體平均值之間的距離，是以標準差為單位計算...

資料歸一化

近來，在網上搜了很多關於資料歸一化的帖子，看了太多，很雜，這裡整理總結一下 歸一化是一種資料預處理方法，就是要把你需要處理的資料經過處理後 通過某種演算法 限制在你需要的一定範圍內，為了後面資料處理的方便，其次是保正程式執行時 收斂加快。比如說，對於奇異樣本資料 所謂奇異樣本資料資料指的是相對於其他...

資料歸一化

如果對神經網路的 輸入和 輸出數 據進行 一定的 預處理 可以加快網路的訓練速 度 matlab 中 提供的預 處理方 法有歸一化處理 將每組資料都變為 1 至 1 之 間數 所涉及 的函式有 premnmx postmnmx tramnmx 標準化處理 將每組資料都為均 值為 0,方 差 為 1 ...