1.Normalizer（歸一化）（更加推薦使用）

優(yōu)點：將每個樣本向量的歐幾里德長度縮放為1，適用于計算樣本之間的相似性。
缺點：只對每個樣本的特征進行縮放，不保留原始數(shù)據(jù)的分布形狀。
公式：對于每個樣本，公式為：x / ||x||，其中x是樣本向量，||x||是x的歐幾里德范數(shù)。

2.MinMaxScaler（最小-最大標準化）

優(yōu)點：將數(shù)據(jù)縮放到指定的范圍（通常是0到1之間），保留了原始數(shù)據(jù)的形式。適用于需要保留原始數(shù)據(jù)分布形狀的算法。
缺點：受異常值的影響較大，對分布不均勻的數(shù)據(jù)集可能導(dǎo)致信息損失。
公式：對于每個特征，公式為：(x - min) / (max - min)，其中x是特征值，min是特征的最小值，max是特征的最大值。

3.Normalizer和MinMaxScaler區(qū)別

Normalizer和MinMaxScaler是不同的數(shù)據(jù)標準化方法。

Normalizer是一種將每個樣本向量的長度縮放為1的歸一化方法，它逐個樣本對特征向量進行歸一化，使得每個樣本的特征向量都具有相同的尺度。

MinMaxScaler是一種將特征縮放到指定范圍（通常是0到1之間）的標準化方法。它通過對每個特征進行線性變換，將特征值縮放到指定的最小值和最大值之間。

這兩種方法有相似之處，都可以將數(shù)據(jù)縮放到一定范圍內(nèi)，但是歸一化和最小-最大標準化的方式和目的不同。

歸一化（Normalizer）在每個樣本上進行操作，主要是為了保持樣本之間的向量方向或角度關(guān)系，使得樣本之間的相似性或距離計算更具可比性。

最小-最大標準化（MinMaxScaler）在每個特征上進行操作，主要是為了將特征值縮放到指定的范圍，保留特征之間的相對關(guān)系。

因此，雖然它們都屬于數(shù)據(jù)標準化的方法，但實際應(yīng)用中，選擇使用歸一化還是最小-最大標準化取決于數(shù)據(jù)的特點和具體任務(wù)的需求。

4.案例解釋

當使用Normalizer進行歸一化時，每個樣本的特征向量都會被調(diào)整為單位范數(shù)（默認為L2范數(shù)）。假設(shè)我們有一個包含兩個樣本的數(shù)據(jù)集，每個樣本有兩個特征。數(shù)據(jù)集如下：

樣本1: [2, 4]
樣本2: [1, 3]

使用Normalizer進行歸一化后，結(jié)果如下：

from sklearn.preprocessing import MinMaxScaler,StandardScaler,Normalizer,RobustScaler
>>> scaler_x = Normalizer()
>>> scaler_x.fit_transform(x)
array([[0.4472136 , 0.89442719],[0.31622777, 0.9486833 ]])

樣本1歸一化后: [0.447, 0.894]
樣本2歸一化后: [0.316, 0.949]

每個樣本的特征向量都被縮放到單位長度。

而當使用MinMaxScaler進行最小-最大標準化時，特征值會被縮放到一個指定的范圍（通常是0到1之間）。假設(shè)我們有相同的數(shù)據(jù)集：

樣本1: [2, 4]
樣本2: [1, 3]

使用MinMaxScaler進行最小-最大標準化，將特征值縮放到0到1之間，結(jié)果如下：

from sklearn.preprocessing import MinMaxScaler,StandardScaler,Normalizer,RobustScaler
>>> scaler_x = MinMaxScaler()
>>> import numpy as np
>>> x = np.array([[2,4],[1,3]])
>>> scaler_x.fit_transform(x)
array([[1., 1.],[0., 0.]])

樣本1標準化后: [1, 1]
樣本2標準化后: [0, 0]

特征值被縮放到指定的范圍之間。

可以看到，Normalizer（歸一化）通過調(diào)整每個樣本的特征向量的長度來進行歸一化，而MinMaxScaler（最小-最大標準化）通過線性變換將特征值縮放到指定的范圍內(nèi)。在這個例子中，歸一化操作將樣本1歸一化后的特征向量縮放到單位長度，而最小-最大標準化將樣本1標準化后的特征值縮放到0到1之間。