我想将我的数据归一化到[0,1]范围内。在打乱和分割数据后我应该归一化数据吗？我应该对测试集重复相同的步骤吗？我看到了一段使用这种归一化方法的Python代码。这是否是将数据归一化到[0,1]范围的正确方法？

`X_train = np.array([[ 1., -1.,  2.], [ 2.,  0.,  0.],[ 0.,  1., -1.]])a= X_trainfor i in range(3):    old_range = np.amax(a[:,i]) - np.amin(a[:,i])    new_range = 1 - 0    f = ((a[:,i] - np.amin(a[:,i])) / old_range)*new_range + 0    lis.append(f)b = np.transpose(np.array(lis))print(b)`

这是我归一化后的结果。

`[[0.5, 0., 1.][1., 0.5, 0.33333333][0., 1., 0.]]`

回答：

在打乱和分割数据后我应该归一化数据吗？

是的。否则，你会泄露未来信息（即这里的测试集）。更多信息请查看这里；虽然这是关于标准化而不是归一化（且使用的是R语言而非Python），但其中的论点同样适用。

我应该对测试集重复相同的步骤吗？

是的。使用已经拟合到训练集上的缩放器。在这种情况下，意味着使用训练集的最大值和最小值来缩放测试集。这确保了与训练数据上的变换保持一致，并且可以评估模型是否能很好地泛化。

你不需要从头开始编写代码。使用sklearn即可：

注意：对于大多数应用，标准化是推荐的缩放方法preprocessing.StandardScaler()