Comment normaliser les valeurs dans le tableau NumPy entre 0 et 1

Pour normaliser les valeurs d’un tableau NumPy entre 0 et 1, vous pouvez utiliser l’une des méthodes suivantes :

Méthode 1 : utiliser NumPy

import numpy as np

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

Méthode 2 : utiliser Sklearn

from sklearn import preprocessing as pre

x = x.reshape(-1, 1)

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

Les deux méthodes supposent que x est le nom du tableau NumPy que vous souhaitez normaliser.

Les exemples suivants montrent comment utiliser chaque méthode dans la pratique.

Exemple 1 : normaliser les valeurs à l’aide de NumPy

Supposons que nous ayons le tableau NumPy suivant :

import numpy as np

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

Nous pouvons utiliser le code suivant pour normaliser chaque valeur du tableau entre 0 et 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.        ]

Chaque valeur du tableau NumPy a été normalisée pour être comprise entre 0 et 1.

Voici comment cela a fonctionné :

La valeur minimale dans l’ensemble de données est 13 et la valeur maximale est 71.

Pour normaliser la première valeur de 13 , nous appliquerions la formule partagée précédemment :

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

Pour normaliser la deuxième valeur de 16 , nous utiliserions la même formule :

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

Pour normaliser la troisième valeur de 19 , nous utiliserions la même formule :

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

Nous utilisons cette même formule pour normaliser chaque valeur du tableau NumPy d’origine entre 0 et 1.

Exemple 2 : normaliser les valeurs à l’aide de sklearn

Encore une fois, supposons que nous ayons le tableau NumPy suivant :

import numpy as np

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

Nous pouvons utiliser la fonction MinMaxScaler() de sklearn pour normaliser chaque valeur du tableau entre 0 et 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.        ]]

Chaque valeur du tableau NumPy a été normalisée pour être comprise entre 0 et 1.

Notez que ces valeurs normalisées correspondent à celles calculées à l’aide de la méthode précédente.

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer d’autres tâches courantes dans NumPy :

Comment classer les éléments dans le tableau NumPy
Comment supprimer les éléments en double du tableau NumPy
Comment trouver la valeur la plus fréquente dans le tableau NumPy