<\/p>\n
Het normaliseren van<\/strong> een matrix betekent het schalen van de waarden zodat het bereik van rij- of kolomwaarden tussen 0 en 1 ligt.<\/span><\/p>\n De eenvoudigste manier om de waarden van een NumPy-matrix te normaliseren is door de functie normalize()<\/a> uit het sklearn-pakket te gebruiken, die de volgende basissyntaxis gebruikt:<\/span><\/p>\n De volgende voorbeelden laten zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we de volgende NumPy-matrix hebben:<\/span><\/p>\n De volgende code laat zien hoe u de rijen van de NumPy-matrix normaliseert:<\/span><\/p>\n Merk op dat de waarden in elke rij nu opgeteld \u00e9\u00e9n zijn.<\/span><\/p>\n Stel dat we de volgende NumPy-matrix hebben:<\/span><\/p>\n De volgende code laat zien hoe u de rijen van de NumPy-matrix normaliseert:<\/span><\/p>\n Merk op dat de waarden in elke kolom nu opgeteld \u00e9\u00e9n zijn.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende bewerkingen in Python uitvoert:<\/span><\/p>\n Hoe arrays in Python te normaliseren<\/a> Het normaliseren van een matrix betekent het schalen van de waarden zodat het bereik van rij- of kolomwaarden tussen 0 en 1 ligt. De eenvoudigste manier om de waarden van een NumPy-matrix te normaliseren is door de functie normalize() uit het sklearn-pakket te gebruiken, die de volgende basissyntaxis gebruikt: from sklearn. preprocessing import normalize #normalize […]<\/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":[],"class_list":["post-2498","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n from<\/span> sklearn. preprocessing<\/span> import<\/span> normalize\n\n#normalize rows of matrix\n<\/span>normalize(x, axis= 1<\/span> , norm=' l1<\/span> ')\n\n#normalize columns of matrix\nnormalize(x, axis= 0<\/span> , norm=' l1<\/span> ')<\/span>\n<\/span><\/strong><\/pre>\n Voorbeeld 1: normaliseer de rijen van de NumPy-matrix<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\n#create matrix\n<\/span>x = np. arange<\/span> (0, 36, 4). reshape<\/span> (3,3)\n\n#view matrix\n<\/span>print<\/span> (x)\n\n[[ 0 4 8]\n [12 16 20]\n [24 28 32]]\n<\/span><\/span><\/strong><\/pre>\n from<\/span> sklearn. preprocessing<\/span> import<\/span> normalize\n\n#normalize matrix by rows\n<\/span>x_normed = normalize(x, axis= 1<\/span> , norm=' l1<\/span> ')\n\n#view normalized matrix\n<\/span>print<\/span> (x_normed)\n\n[[0. 0.33333333 0.66666667]\n [0.25 0.33333333 0.41666667]\n [0.28571429 0.33333333 0.38095238]]<\/strong><\/span><\/pre>\n\n
Voorbeeld 2: normaliseer de kolommen van de NumPy-matrix<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\n#create matrix\n<\/span>x = np. arange<\/span> (0, 36, 4). reshape<\/span> (3,3)\n\n#view matrix\n<\/span>print<\/span> (x)\n\n[[ 0 4 8]\n [12 16 20]\n [24 28 32]]\n<\/span><\/span><\/strong><\/pre>\n from<\/span> sklearn. preprocessing<\/span> import<\/span> normalize\n\n#normalize matrix by columns\n<\/span>x_normed = normalize(x, axis= 0<\/span> , norm=' l1<\/span> ')\n\n#view normalized matrix\n<\/span>print<\/span> (x_normed)\n\n[[0. 0.08333333 0.13333333]\n [0.33333333 0.33333333 0.33333333]\n [0.66666667 0.58333333 0.53333333]]<\/strong><\/span><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe kolommen in een Pandas DataFrame te normaliseren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"