将数据规范化为 [-1 and 1] ，但需要保留 0 值

Question

我有一系列 r=data，既有正值也有负值。我想将其标准化为 [-1,1] 范围。

我用过 apply(lambda x: -1 + (2*((x - x.min()) / (x.max() - x.min())))) 将数据从 -1 归一化为 1，但在我的数据中 0 很重要，因此我想保留它。

我该如何完成？

Answer 1

使用 numpy 你可以做到这一点

输入：

r =(-5,-10,0,1,17)

import numpy as np
normalized = np.where(r>0,r/r.max(),np.where(r<0,-r/r.min(),r))

输出：

normalized = (-0.5 ,-1 ,0 ,0.0588235,1 )

我想你会期待这样的结果

Answer 2

您正在做的是使用您的 min 和 max 并假设这是您工作的范围。然后压缩所有值 并移动 使它们适合 [-1, 1] 范围。

问题是：当极值与 0 的距离不同时，您将不得不移动，这将移动所有零。这在数学上是正确的，因为它保留了分布。

比如说，对于序列 [-1, 0, 2]，极值是 -1 和 2。操作后，它将变为 [-1, -0.66, 1].

为了解决这个问题，您必须假设您工作的范围与两侧的零距离相等。所以那将是你的最大极值。在上面的例子中是 2。现在，如果您假设您在 [-2, 2] 范围内工作，您的序列将变为 [-0.5, 0, 1].

只需将所有项目除以最大极值即可轻松实现。

def normalize(seq):
    extremum = max(abs(i) for i in seq)
    return [i / extremum for i in seq]

Normalising data to [-1 and 1] , but 0 value needs to be preserved