一.关于标准化、正规化、正规化的总结
标准化StandardScalerList item数据标准化StandardScaler (根据特征矩阵列，以遵循正态分布的方式变换属性值)标准化是根据特征矩阵的列来处理数据的，通过求出z-score的方法
规范化MinMaxScalerm数据规范化MinMaxScaler (区间缩放，根据最大最小值将数据转换为0，1区间)常用于提高模型收敛速度，提高模型精度的神经网络
规范化Normalizer Normalizer (将基于矩阵的行、样本向量转换为单位向量)的目的是为了在样本向量通过点乘法或其他内核函数计算相似性时，实现文本分类、聚类和逻辑次数
首先求出样本的p范数，然后将该样本的所有元素除以该范数，从而最终使每个样本的范数为1。
“规格化”(Normalization )将不同变化范围的值映射到相同的固定范围，通常为“0，1”，也称为规格化
该方法主要应用于文本分类和聚类
sk learn.preprocessing.normalizer (norm=’L2’，copy=True ) ) ) ) ) ) ) ) )。
NORM:L1、l2或max，默认值为l2
在l1情况下，将各样本(各行)的值除以各样本(各行)的各值的绝对值之和
在l2的情况中，变换后的每个样本(每行)的各个维度特征的平方和为1
在max情况下，将样品的各特征值除以样品中的特征值的最大值
应该注意，此处对一行中的样本(记录)执行正规化，而不是对一列中的特征执行正规化。 规范化适用于需要使用点乘积的场景，以及需要测量样本相似性的模型。
preprocessing的normalize方法提供这种操作。 此方法有一个名为norm的参数，取值为“L1”、“L2”和“max”，可以取不同的值并以不同的方式规范化。
值为‘L1’时，使用L1范数归一化，计算方法如下。
使用l2范数正规化时，计算方法如下。
preproceing的Normalizer还提供了使用fit和transform的标准化方法，但preprocessing.normalize ()函数无法实现这一点
fromsklearnimportpreprocessingx=[1.-1.2.]、[ 2.0 .0.]、[ 0.1 .-1.]]#1，preprocessing . preprocessing.normalize(x，norm='l2 ' ) ' ' array ) (0.440 )。 0 .0. ]，[ 0.0.70710678，- 0.70710678 ] (' ' preprocessing.normalize (x，norm='l1 ' ) ' array ) () ) -1. () )、processing.Normalizer ) )类来拟合和转换训练集和测试集。 normalizer=preprocessing.normalizer (.fit ) ) x ) )。 normalizer(copy=true，norm='l2 ' ) normalizer.transform(X ) x ) normalizer.transform([-1 .1 .0.] )
fromsklearnimportpreprocessingdata=[ 0，0，3 ]、[ 1，1，0，0 ]、[ 0，2，1 ]、[ 1，0，0， 2 )编码程序=preprocessing.onehotencoder (.fit ) data )编码程序. transform (data ).totoarray ) #输出array ) [1.1.1] 0