Python sklearn normalize（）将每个值生成为1

我试图将单个特性规范化为[0，1]，但我得到的结果是所有浮点值都是1，这显然是错误的

import pandas as pd
import numpy as np
from sklearn.preprocessing import normalize

test = pd.DataFrame(data=[7, 6, 5, 2, 9, 9, 7, 8, 6, 5], columns=['data'])
normalize(test['data'].values.reshape(-1, 1))

这将产生以下输出：

array([[1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.],
       [1.]])

---

我认为这可能是一个int-to-float数据类型的问题，所以我尝试先转换为float，

normalize（test['data'].astype（float）.values.reformate（-1，1））

，但这给出了相同的结果。我缺少什么？

这是因为默认的

轴是1

设置
轴=0
：

normalize(test['data'].values.reshape(-1, 1), axis=0)

输出：

array([[0.32998316],
       [0.28284271],
       [0.23570226],
       [0.0942809 ],
       [0.42426407],
       [0.42426407],
       [0.32998316],
       [0.37712362],
       [0.28284271],
       [0.23570226]])

我觉得我们可以用

(test.data-test.data.min())/np.ptp(test.data.values)
Out[136]: 
0    0.714286
1    0.571429
2    0.428571
3    0.000000
4    1.000000
5    1.000000
6    0.714286
7    0.857143
8    0.571429
9    0.428571
Name: data, dtype: float64

非常奇怪-通常
axis=1
对应一列（在我心目中是一个特性），所以我认为默认值是可以的。我想当我使用
restrape
来满足
sklearn
的2D数组要求时，它现在被看作是一个“行”样本，而不是一个列/特征。@JulianDrago，因为默认情况下它是
l2
标准。尝试
norm='max'
：）从数字上看，这看起来是正确的，所以+1，尽管我对基于
sklearn
的解决方案感兴趣。