我尝试手动实现一个归一化函数，而不是使用scikit-learn的函数。原因是我需要手动定义最大值和最小值参数，而scikit-learn不允许这种修改。

我成功地实现了这个函数，将值归一化到0到1之间。但运行时间非常长。

问题： 有没有其他高效的方法可以做到这一点？我怎样才能让它执行得更快？

以下是我的代码：

scaled_train_data = scale(train_data)def scale(data):    for index, row in data.iterrows():        X_std = (data.loc[index, "Close"] - 10) / (2000 - 10)        data.loc[index, "Close"] = X_std    return data

2000和10是我手动定义的属性，而不是数据集的最大值和最小值。

提前感谢你。

回答：

为什么要使用循环？你可以直接使用

train_data['close'] = (train_data['close'] - 10)/(2000 - 10) 

来利用向量化的numpy函数。当然，如果你更喜欢，你也可以将其放入一个函数中。

另外，如果你想将数据重新缩放到一个线性范围，你可以使用 http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html。这样做的好处是你可以保存它，然后以相同的方式重新缩放测试数据。