除Min-Max Normalization、Quantile Transformation外，有哪些[0,1]区间的数据缩放方法？

除了你提到的Min-Max归一化和分位数变换，还有几种实用方法能把特征压缩到[0,1]区间，适配不同的数据分布场景：

• 截断后再做Min-Max归一化
  如果数据集存在极端异常值，直接用Min-Max会让大部分数据集中在极小区间。可以先把特征值截断到指定分位数范围（比如0.01到0.99分位数），将超出范围的极端值限制在边界上，之后再用常规Min-Max缩放到[0,1]，能弱化异常值干扰，保留大部分数据的区分度。示例代码：

  import numpy as np
  # 确定截断边界
  lower_bound = np.quantile(feature, 0.01)
  upper_bound = np.quantile(feature, 0.99)
  # 截断特征值
  clipped_feature = np.clip(feature, lower_bound, upper_bound)
  # 缩放到[0,1]
  scaled_feature = (clipped_feature - clipped_feature.min()) / (clipped_feature.max() - clipped_feature.min())
  

• 对数变换+Min-Max归一化
  针对右偏分布的特征（比如用户消费金额、点击量这类数据），先做对数变换拉平分布，再用Min-Max把结果缩到[0,1]。如果特征有0值，用log1p（即log(x+1)）避免计算错误。示例：

  import numpy as np
  # 对数变换
  log_transformed = np.log1p(feature)
  # 缩放至[0,1]
  scaled_feature = (log_transformed - log_transformed.min()) / (log_transformed.max() - log_transformed.min())
  

• Sigmoid映射
  Sigmoid函数能把任意实数映射到(0,1)区间，近似满足[0,1]需求。直接用原始特征的话极端值会被压到极接近0或1的位置，建议先做标准化（减均值除以标准差）再转换。示例：

  from scipy.special import expit
  # 标准化特征
  standardized = (feature - feature.mean()) / feature.std()
  # 用sigmoid映射到(0,1)
  scaled_feature = expit(standardized)
  

• 反双曲正弦变换+Min-Max归一化
  和对数变换类似，但反双曲正弦（arcsinh）能处理包含0和负值的特征，适合重尾分布数据。变换后用Min-Max缩放到[0,1]即可，numpy里直接用np.arcsinh就能实现。

内容的提问来源于stack exchange，提问作者Jacob Issac