Python 手动标准化功能执行时间过长

我试图手动实现一个规范化函数，而不是使用scikit learn的函数。原因是，我需要手动定义最大和最小参数，scikit learn不允许这种更改

我成功地实现了这一点，以规范化0和1之间的值。但这需要很长时间才能完成

问题：还有其他有效的方法吗？如何使其执行更快。

下面是我的代码：

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，而不是采用数据集的最小值和最大值

---

提前谢谢。

为什么循环？你可以用

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

使用矢量化的numpy函数。当然，如果您愿意，也可以将其放入函数中

---

或者，如果要重新缩放到线性范围，可以使用。这样做的好处是，您可以保存它，然后以相同的方式重新缩放测试数据。

为什么循环？你可以用

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

使用矢量化的numpy函数。当然，如果您愿意，也可以将其放入函数中

---

或者，如果要重新缩放到线性范围，可以使用。这样做的好处是，您可以保存它，然后以相同的方式重新缩放测试数据。

使用numpy矩阵。您还可以手动设置最小值和最大值

import numpy as np
data = np.array(df)
_min = np.min(data, axis=0)
_max = np.max(data, axis=0)
normed_data = (data - _min) / (_max - _min)

---

使用numpy矩阵。您还可以手动设置最小值和最大值

import numpy as np
data = np.array(df)
_min = np.min(data, axis=0)
_max = np.max(data, axis=0)
normed_data = (data - _min) / (_max - _min)

---

谢谢你，成功了。MinMAxScaler的问题是我不想在数据列中获得最小值和最大值。我想输入一个手动广义值。scikit learn自动获取列的最小值和最大值，并将其标准化。如果我错了，请纠正我。这就是为什么我想手动执行此操作。好的，您可以添加要缩放到的范围，例如：

sklearn.preprocessing.MinMaxScaler（feature\u range=-1,3））

。我不知道你是如何选择数字2000和10的，但是如果你选择它们来缩放到一个特定的范围，你可以使用这个选项。据我所知，这是真的，你不能输入这些（可能是因为它已经是一个像上面一样的一行了）。谢谢你，它成功了。MinMAxScaler的问题是我不想在数据列中获得最小值和最大值。我想输入一个手动广义值。scikit learn自动获取列的最小值和最大值，并将其标准化。如果我错了，请纠正我。这就是为什么我想手动执行此操作。好的，您可以添加要缩放到的范围，例如：

sklearn.preprocessing.MinMaxScaler（feature\u range=-1,3））

。我不知道你是如何选择数字2000和10的，但是如果你选择它们来缩放到一个特定的范围，你可以使用这个选项。据我所知，这是真的，你不能输入这些（可能是因为它已经是一个像上面那样的一行了）。对于循环和计算每列的X_std来说，分别需要很长的时间。对于循环和计算每列的X_std来说，分别需要很长的时间。