L1归一化
L1归一化详细操作教程
它可以定义为一种规范化技术，用于以每行绝对值的总和始终等于1的方式修改数据集值。这也称为最小绝对偏差。
示例
在此示例中，我们使用L1规范化技术对之前使用的Pima Indians Diabetes数据集的数据进行规范化。首先，将加载CSV数据，然后在
Normalizer 类的帮助下对其进行标准化。
以下脚本的前几行与我们在上一章中编写CSV数据时写的相同。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
from pandas import read_csv
from numpy import set_printoptions
from sklearn.preprocessing import Normalizer
path = r'C:\pima-indians-diabetes.csv'
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe = read_csv (path, names=names)
array = dataframe.values
现在，我们可以对L1使用Normalizer类对数据进行标准化。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
Data_normalizer = Normalizer(norm='l1').fit(array)
Data_normalized = Data_normalizer.transform(array)
我们还可以根据我们的选择汇总输出数据。在这里，我们将精度设置为2，并在输出中显示前3行。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
set_printoptions(precision=2)
print ("\nNormalized data:\n", Data_normalized [0:3])
输出
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-27
Normalized data:
[[0.02 0.43 0.21 0.1 0. 0.1 0. 0.14 0. ]
[0. 0.36 0.28 0.12 0. 0.11 0. 0.13 0. ]
[0.03 0.59 0.21 0. 0. 0.07 0. 0.1 0. ]]
