# 3.4 归一化


## 为什么使用归一化

归一化是缩放**单个样本**以具有**单位范数**的过程。归一化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反而能提高数据的表现，这些性质是归一化的前提。归一化能够**加快模型训练速度**，**统一特征量纲**，**避免数值太大**。值得注意的是，归一化是对每一个样本做转换，所以是**对数据的每一行进行变换**。而之前我们讲过的方法是对数据的每一列做变换。

## L1范式归一化
`L1`范式定义如下：
$$
||x||_1=\sum_{i=1}^n|x_i|
$$

表示向量`x`中每个元素的绝对值之和。
`L1`范式归一化就是将样本中每个特征**除以**特征的`L1`范式。

在`sklearn`中使用`normalize`方法实现，用法如下：
```python
from sklearn.preprocessing import normalize

data = np.array([[-1,0,1],
                 [1,0,1],
                 [1,2,3]])
data = normalize(data,'l1')

>>>data
array([[-0.5  ,  0.   ,  0.5  ],
       [ 0.5  ,  0.   ,  0.5  ],
       [ 0.167,  0.333,  0.5  ]])
```

## L2范式归一化
`L2`范式定义如下：
$$
||x||_2=\sqrt{\sum_{i=1}^nx_i^2}
$$


表示向量元素的平方和再开平方根。
`L2`范式归一化就是将样本中每个特征**除以**特征的`L2`范式。

在`sklearn`中使用`normalize`方法实现，用法如下：

```python
from sklearn.preprocessing import normalize

data = np.array([[-1,0,1],
                 [1,0,1],
                 [1,2,3]])
data = normalize(data,'l2')

>>>data
array([[-0.707,  0.   ,  0.707],
       [ 0.707,  0.   ,  0.707],
       [ 0.267,  0.535,  0.802]])
```