附：2.5程序资料文件与下载

# -*- coding: utf-8 -*-

"""

演示内容：量纲的特征缩放

（两种方法：标准化缩放法和区间缩放法。每种方法举了两个例子：简单二维矩阵和iris数据集）

"""

#方法1：标准化缩放法 例1：对简单示例二维矩阵的列数据进行

from sklearn import preprocessing   

import numpy as np  

#采用numpy的array表示，因为要用到其mean等函数，而list没有这些函数

X = np.array([[0, 0], 

        [0, 0], 

        [100, 1], 

        [1, 1]])  

# calculate mean  

X_mean = X.mean(axis=0)  

# calculate variance   

X_std = X.std(axis=0)  

#print (X_std)

# standardize X  

X1 = (X-X_mean)/X_std

print (X1)

print ("")

# we can also use function preprocessing.scale to standardize X  

X_scale = preprocessing.scale(X)  

print (X_scale)

#方法1： 标准化缩放法 例2：对iris数据二维矩阵的列数据进行。这次采用一个集成的方法StandardScaler

from sklearn import datasets

iris = datasets.load_iris()

X_scale = preprocessing.scale(iris.data)  

print (X_scale)

#方法2： 区间缩放法 例3：对简单示例二维矩阵的列数据进行

from sklearn.preprocessing import MinMaxScaler

data = [[0, 0], 

        [0, 0], 

        [100, 1], 

        [1, 1]]

scaler = MinMaxScaler()

print(scaler.fit(data))

print(scaler.transform(data))

#方法2： 区间缩放法 例4：对iris数据二维矩阵的列数据进行

from sklearn.preprocessing import MinMaxScaler

data = iris.data

scaler = MinMaxScaler()

print(scaler.fit(data))

print(scaler.transform(data))