1. 对样本特征进行归一化处理，减少某一数值太大的特征对其他较小特征的影响
将特征值的取值范围转化为0到1区间内。
import numpy as np# 公式：newValue = (oldValue-min)/(max)group=np.array([ [1, 7, 3], [1, 3, 1], [0, 5, 8], [2, 7, 3]])minVals = group.min(0) # 为0时：求每列的最小值[0 3 1] .shape=(3,)maxVals = group.max(0) # 为0时：求每列的最大值[2 7 8] .shape=(3,)ranges = maxVals - minValsm = group.shape[0]normDataSet = np.zeros(np.shape(group)) # np.shape(group) 返回一个和group一样大小的数组，但元素都为0diffnormData =group - np.tile(minVals,(m,1)) # (oldValue-min) 减去最小值normDataSet1 =diffnormData / np.tile(ranges,(m,1))print(minVals) # 打印最小值 [0 3 1]print(maxVals) # 打印最大值 [2 7 8]print(normDataSet1) # 打印归一化后的数值"""[[0.5 1. 0.28571429] [0.5 0. 0. ] [0. 0.5 1. ] [1. 1. 0.28571429]]"""