数据规范化
标准化与缩放技术
数据规范化 是 CoddyKit 上的免费 Python Academy 课时。 这是第 3 节课，共 5 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Python Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Python Academy 课程共包含 5 节课。
数据归一化
数据归一化
数据归一化可以确保数据集中的所有特征具有相近的尺度。这对于梯度下降和基于距离的模型等算法至关重要。在本课中，您将探索标准化和缩放技术。
为什么要对数据进行归一化
为什么要对数据进行归一化
归一化可以确保所有特征对模型的贡献相同。如果不进行归一化，尺度较大的特征可能会主导学习过程。
示例：
- 年龄（0-100）和收入（0-100,000）应缩放到可比较的范围。
标准化
标准化
标准化会将数据转换为均值为 0、标准差为 1 的形式。计算公式为：
z = (x - mean) / std_dev
标准化适用于逻辑回归和 SVM 等算法。
最小-最大缩放
最小-最大缩放
最小-最大缩放会将数据缩放到固定范围，通常为 [0, 1]。计算公式为：
x_scaled = (x - min) / (max - min)
当需要将数据限制在一定范围内时，可以使用这种技术。
Python 中的归一化（标准化）
Python 中的归一化（标准化）
使用 sklearn.preprocessing 中的 StandardScaler 对数据进行标准化。
示例：
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)Python 中的归一化（最小-最大缩放）
Python 中的归一化（最小-最大缩放）
使用 sklearn.preprocessing 中的 MinMaxScaler 应用最小-最大缩放。
示例：
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_scaled = scaler.fit_transform(data)选择归一化技术
选择归一化技术
选择技术时请考虑以下因素：
- 标准化：数据包含异常值时使用。
- 最小-最大缩放：特征需要限制在一定范围内时使用。
回顾
回顾
在本课中，您了解了以下内容：
- 标准化：将数据缩放为均值为 0、标准差为 1。
- 最小-最大缩放：将数据转换到固定范围内。
- 在 Python 中使用
StandardScaler和MinMaxScaler。
恭喜您！
恭喜您！
您已完成数据归一化课程。请继续学习下一课，了解如何在 Python 中合并数据。
常见问题解答
「数据规范化」课时是免费的吗？
是的 — 「数据规范化」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Python Academy 课程的其余内容，请升级到 CoddyKit PRO。 Python Academy 课程共包含 5 节课。
「数据规范化」这节课中我会学到什么？
标准化与缩放技术 你通过在浏览器中直接运行的动手代码来练习 Python Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Python Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Python Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 5 节。
「数据规范化」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Python Academy 课中编写并运行代码吗？
能。每节 Python Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。