Como normalizar dados em python

Freqüentemente, em estatística e aprendizado de máquina, normalizamos variáveis de forma que o intervalo de valores fique entre 0 e 1.

A razão mais comum para normalizar variáveis é quando estamos realizando algum tipo de análise multivariada (ou seja, queremos entender a relação entre diversas variáveis preditoras e uma variável de resposta) e queremos que cada variável contribua igualmente para a análise.

Quando as variáveis são medidas em escalas diferentes, muitas vezes não contribuem igualmente para a análise. Por exemplo, se os valores de uma variável variam de 0 a 100.000 e os valores de outra variável variam de 0 a 100, será atribuído maior peso na análise à variável com maior intervalo.

Ao padronizar as variáveis, podemos ter certeza de que cada variável contribui igualmente para a análise.

Para normalizar valores entre 0 e 1, podemos utilizar a seguinte fórmula:

x _norma = (x _i – x _min ) / (x _max – x _min )

Ouro:

• x _norma : o ^i-ésimo valor normalizado no conjunto de dados
• x _i : o i- ^ésimo valor do conjunto de dados
• x _max : o valor mínimo no conjunto de dados
• x _min : o valor máximo no conjunto de dados

Os exemplos a seguir mostram como normalizar uma ou mais variáveis em Python.

Exemplo 1: normalizar um array NumPy

O código a seguir mostra como normalizar todos os valores em um array NumPy:

 import numpy as np 

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

#normalize all values in array
data_norm = (data - data. min ())/ (data. max () - data. min ())

#view normalized values
data_norm

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

Cada um dos valores da matriz normalizada está agora entre 0 e 1.

Exemplo 2: Normalizar todas as variáveis no Pandas DataFrame

O código a seguir mostra como normalizar todas as variáveis em um DataFrame do pandas:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' points ': [25, 12, 15, 14, 19, 23, 25, 29],
                   ' assists ': [5, 7, 7, 9, 12, 9, 9, 4],
                   ' rebounds ': [11, 8, 10, 6, 6, 5, 9, 12]})

#normalize values in every column
df_norm = (df-df. min ())/ (df. max () - df. min ())

#view normalized DataFrame
df_norm

        points assists rebounds
0 0.764706 0.125 0.857143
1 0.000000 0.375 0.428571
2 0.176471 0.375 0.714286
3 0.117647 0.625 0.142857
4 0.411765 1.000 0.142857
5 0.647059 0.625 0.000000
6 0.764706 0.625 0.571429
7 1.000000 0.000 1.000000

Cada um dos valores em cada coluna está agora entre 0 e 1.

Exemplo 3: Normalizar variáveis específicas no Pandas DataFrame

O código a seguir mostra como normalizar uma variável específica em um DataFrame do pandas:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' points ': [25, 12, 15, 14, 19, 23, 25, 29],
                   ' assists ': [5, 7, 7, 9, 12, 9, 9, 4],
                   ' rebounds ': [11, 8, 10, 6, 6, 5, 9, 12]})

define columns to normalize
x = df. iloc [:,0:2]

#normalize values in first two columns only
df. iloc [:,0:2] = (xx. min ())/ (x. max () - x. min ())

#view normalized DataFrame
df

	points assists rebounds
0 0.764706 0.125 11
1 0.000000 0.375 8
2 0.176471 0.375 10
3 0.117647 0.625 6
4 0.411765 1.000 6
5 0.647059 0.625 5
6 0.764706 0.625 9
7 1.000000 0.000 12

Observe que apenas os valores das duas primeiras colunas são normalizados.

Recursos adicionais

Os tutoriais a seguir fornecem informações adicionais sobre a normalização de dados:

Como normalizar dados entre 0 e 1
Como normalizar dados entre 0 e 100
Padronização ou normalização: qual a diferença?