Come normalizzare i valori nell'array numpy tra 0 e 1

Per normalizzare i valori di un array NumPy compresi tra 0 e 1, puoi utilizzare uno dei seguenti metodi:

Metodo 1: utilizzare NumPy

 import numpy as np

x_norm = (x-np. min (x))/(np. max (x)-np. min (x))

Metodo 2: utilizzare Sklearn

 from sklearn import preprocessing as pre

x = x. reshape (-1, 1)

x_norm = pre. MinMaxScaler (). fit_transform (x)

Entrambi i metodi presuppongono che x sia il nome dell’array NumPy che desideri normalizzare.

Gli esempi seguenti mostrano come utilizzare ciascun metodo nella pratica.

Esempio 1: normalizza i valori utilizzando NumPy

Supponiamo di avere il seguente array NumPy:

 import numpy as np

#create NumPy array
x = np. array ([13, 16, 19, 22, 23, 38, 47, 56, 58, 63, 65, 70, 71])

Possiamo usare il seguente codice per normalizzare ogni valore nell’array compreso tra 0 e 1:

 #normalize all values to be between 0 and 1
x_norm = (x-np. min (x))/(np. max (x)-np. min (x))

#view normalized array
print (x_norm)

[0. 0.05172414 0.10344828 0.15517241 0.17241379 0.43103448
 0.5862069 0.74137931 0.77586207 0.86206897 0.89655172 0.98275862
 1. ]

Ogni valore nell’array NumPy è stato normalizzato per essere compreso tra 0 e 1.

Ecco come ha funzionato:

Il valore minimo nel set di dati è 13 e il valore massimo è 71.

Per normalizzare il primo valore di 13 , applicheremmo la formula condivisa in precedenza:

• z _i = (x _i – min(x)) / (max(x) – min(x)) = (13 – 13) / (71 – 13) = 0

Per normalizzare il secondo valore di 16 , utilizzeremmo la stessa formula:

• z _i = (x _i – min(x)) / (max(x) – min(x)) = (16 – 13) / (71 – 13) = 0,0517

Per normalizzare il terzo valore di 19 , utilizzeremmo la stessa formula:

• z _i = (x _i – min(x)) / (max(x) – min(x)) = (19 – 13) / (71 – 13) = 0,1034

Usiamo questa stessa formula per normalizzare ciascun valore nell’array NumPy originale tra 0 e 1.

Esempio 2: normalizzare i valori utilizzando sklearn

Ancora una volta, supponiamo di avere il seguente array NumPy:

 import numpy as np

#create NumPy array
x = np. array ([13, 16, 19, 22, 23, 38, 47, 56, 58, 63, 65, 70, 71])

Possiamo usare la funzione MinMaxScaler() di sklearn per normalizzare ogni valore nell’array compreso tra 0 e 1:

 from sklearn import preprocessing as pre

#reshape array so that it works with sklearn
x = x. reshape (-1, 1)

#normalize all values to be between 0 and 1
x_norm = pre. MinMaxScaler (). fit_transform (x)

#view normalized array
print (x_norm)

[[0. ]
 [0.05172414]
 [0.10344828]
 [0.15517241]
 [0.17241379]
 [0.43103448]
 [0.5862069]
 [0.74137931]
 [0.77586207]
 [0.86206897]
 [0.89655172]
 [0.98275862]
 [1. ]]

Ogni valore nell’array NumPy è stato normalizzato per essere compreso tra 0 e 1.

Si noti che questi valori normalizzati corrispondono a quelli calcolati utilizzando il metodo precedente.

Risorse addizionali

I seguenti tutorial spiegano come eseguire altre attività comuni in NumPy:

Come ordinare gli elementi nell’array NumPy
Come rimuovere gli elementi duplicati dall’array NumPy
Come trovare il valore più frequente nell’array NumPy