sklearn.preprocessing.normalize¶
sklearn.preprocessing.normalize(X, norm='l2', *, axis=1, copy=True, return_norm=False)
分别将输入向量缩放为单位范数（向量长度）。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| X | {array-like, sparse matrix}, shape [n_samples, n_features] 要归一化的数据，逐个元素。scipy.sparse矩阵应采用CSR格式，以避免不必要的复制。 |
| norm | ‘l1’, ‘l2’, or ‘max’, optional (‘l2’ by default) 用于规范化每个非零样本（或如果轴为0，则每个非零特征）的范数。 |
| axis | 0 or 1, optional (1 by default) 用于标准化数据的轴。如果为1，则独立标准化每个样本，否则（如果为0）则标准化每个特征。 |
| copy | boolean, optional, default True 设置为False可以执行就地行规范化并避免复制（如果输入已经是numpy数组或scipy.sparse CSR矩阵，并且轴为1）。 |
| return_norm | boolean, default False 是否返回计算的范数 |
| 返回 | 说明 |
|---|---|
| X | {array-like, sparse matrix}, shape [n_samples, n_features] 标准化输入X。 |
| norms | array, shape [n_samples] if axis=1 else [n_features] X沿给定轴的一组规范数组。当X稀疏时，将针对规范'l1'或'l2'引发NotImplementedError。 |
另见：
使用Transformer API（例如，作为预处理sklearn.pipeline.Pipeline的一部分）执行标准化。
注释
有关不同缩放器，转换器和规范化器的比较，请参阅examples/preprocessing/plot_all_scaling.py。