<\/p>\n
In der Statistik und beim maschinellen Lernen normalisieren<\/strong> wir Variablen h\u00e4ufig so, dass der Wertebereich zwischen 0 und 1 liegt.<\/span><\/p>\n Der h\u00e4ufigste Grund f\u00fcr die Normalisierung von Variablen liegt darin, dass wir eine Art multivariate Analyse durchf\u00fchren (dh wir m\u00f6chten die Beziehung zwischen mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen verstehen) und m\u00f6chten, dass jede Variable gleicherma\u00dfen zur Analyse beitr\u00e4gt.<\/span><\/p>\n Wenn Variablen auf unterschiedlichen Skalen gemessen werden, tragen sie h\u00e4ufig nicht gleicherma\u00dfen zur Analyse bei. Wenn beispielsweise die Werte einer Variablen zwischen 0 und 100.000 liegen und die Werte einer anderen Variablen zwischen 0 und 100, wird der Variablen mit dem gr\u00f6\u00dferen Bereich in der Analyse ein h\u00f6heres Gewicht zugewiesen.<\/span><\/p>\n Durch die Standardisierung der Variablen k\u00f6nnen wir sicher sein, dass jede Variable gleicherma\u00dfen zur Analyse beitr\u00e4gt.<\/span><\/p>\n Um Werte zwischen 0 und 1 zu normalisieren, k\u00f6nnen wir die folgende Formel verwenden:<\/span><\/p>\n x norm<\/sub> = (x i<\/sub> \u2013 x min<\/sub> ) \/ (x max<\/sub> \u2013 x min<\/sub> )<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Die folgenden Beispiele zeigen, wie man eine oder mehrere Variablen in Python normalisiert.<\/span><\/p>\n Der folgende Code zeigt, wie alle Werte in einem NumPy-Array normalisiert werden:<\/span><\/p>\n Jeder der Werte im normalisierten Array liegt jetzt zwischen 0 und 1.<\/span><\/p>\n Der folgende Code zeigt, wie alle Variablen in einem Pandas-DataFrame normalisiert werden:<\/span><\/p>\n Jeder der Werte in jeder Spalte liegt jetzt zwischen 0 und 1.<\/span><\/p>\n Der folgende Code zeigt, wie eine bestimmte Variable in einem Pandas-DataFrame normalisiert wird:<\/span><\/p>\n Beachten Sie, dass nur die Werte in den ersten beiden Spalten normalisiert sind.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zur Datennormalisierung:<\/span><\/p>\n So normalisieren Sie Daten zwischen 0 und 1<\/a> In der Statistik und beim maschinellen Lernen normalisieren wir Variablen h\u00e4ufig so, dass der Wertebereich zwischen 0 und 1 liegt. Der h\u00e4ufigste Grund f\u00fcr die Normalisierung von Variablen liegt darin, dass wir eine Art multivariate Analyse durchf\u00fchren (dh wir m\u00f6chten die Beziehung zwischen mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen verstehen) und m\u00f6chten, dass jede Variable gleicherma\u00dfen […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel 1: Normalisieren Sie ein NumPy-Array<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np \n\n#create NumPy array\n<\/span>data = np. array<\/span> ([[13, 16, 19, 22, 23, 38, 47, 56, 58, 63, 65, 70, 71]])\n\n#normalize all values in array\n<\/span>data_norm = (data - data. min<\/span> ())\/ (data. max<\/span> () - data. min<\/span> ())\n\n#view normalized values\n<\/span>data_norm\n\narray([[0. , 0.05172414, 0.10344828, 0.15517241, 0.17241379,\n 0.43103448, 0.5862069, 0.74137931, 0.77586207, 0.86206897,\n 0.89655172, 0.98275862, 1. ]])<\/strong><\/pre>\n Beispiel 2: Normalisieren Sie alle Variablen in Pandas DataFrame<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' points<\/span> ': [25, 12, 15, 14, 19, 23, 25, 29],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\n#normalize values in every column\n<\/span>df_norm = (df-df. min<\/span> ())\/ (df. max<\/span> () - df. min<\/span> ())\n\n#view normalized DataFrame\n<\/span>df_norm\n\n points assists rebounds\n0 0.764706 0.125 0.857143\n1 0.000000 0.375 0.428571\n2 0.176471 0.375 0.714286\n3 0.117647 0.625 0.142857\n4 0.411765 1.000 0.142857\n5 0.647059 0.625 0.000000\n6 0.764706 0.625 0.571429\n7 1.000000 0.000 1.000000\n<\/strong><\/pre>\n Beispiel 3: Normalisieren Sie bestimmte Variablen in Pandas DataFrame<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' points<\/span> ': [25, 12, 15, 14, 19, 23, 25, 29],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\ndefine columns to normalize<\/span>\nx = df. iloc<\/span> [:,0:2]\n\n#normalize values in first two columns only<\/span>\ndf. iloc<\/span> [:,0:2] = (xx. min<\/span> ())\/ (x. max<\/span> () - x. min<\/span> ())\n\n#view normalized DataFrame<\/span>\ndf\n\n\tpoints assists rebounds\n0 0.764706 0.125 11\n1 0.000000 0.375 8\n2 0.176471 0.375 10\n3 0.117647 0.625 6\n4 0.411765 1.000 6\n5 0.647059 0.625 5\n6 0.764706 0.625 9\n7 1.000000 0.000 12\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So normalisieren Sie Daten zwischen 0 und 100<\/a>
Standardisierung oder Normalisierung: Was ist der Unterschied?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"