MinMaxScaler

class sklearn.preprocessing.MinMaxScaler(
feature_range=(0, 1), 
copy=True)

>>> from sklearn.preprocessing import MinMaxScaler
>>>
>>> data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
>>> scaler = MinMaxScaler()
>>> print(scaler.fit(data))
MinMaxScaler(copy=True, feature_range=(0, 1))
>>> print(scaler.data_max_)
[  1.  18.]
>>> print(scaler.transform(data))
[[ 0.    0.  ]
 [ 0.25  0.25]
 [ 0.5   0.5 ]
 [ 1.    1.  ]]
>>> print(scaler.transform([[2, 2]]))
[[ 1.5  0. ]]

将特征缩放到一个范围

属性：

min_：ndarray，shape（n_features，）

每个功能调整最小。

scale_：ndarray，shape（n_features，）

每个功能相对缩放的数据。

版本0.17中的新增功能：scale_属性。

data_min_：ndarray，shape（n_features，）

每个功能在数据中看到的最小值

新版本0.17：data_min_

data_max_：ndarray，shape（n_features，）

每个功能在数据中最多可见

新版本0.17：data_max_

data_range_：ndarray，shape（n_features，）

每功能范围的数据可见(data_max_-data_min_)

新版本0.17：data_range_

方法：

fit（X [，y]）	训练，并计算X
fit_transform（X [，y]）	适合数据，然后转换它。
get_params（deep=True）	获取此估算器的参数。
inverse_transform(X)	Reverse the transformation operation
set_params（** PARAMS）	设置此估算器的参数。
transform（X [，y，copy]）	二进制化X的
partial_fit(X[, y])	Online computation of min and max on X for later scaling.