如何使用Pandas对数据集按行实现[-1,+1]区间归一化

你原有的代码逻辑是逐列计算列内绝对值最大值，再做除法实现列维度的[-1,1]缩放，要改成逐行归一化，只需要把统计最大值的维度从列切换为行即可，不需要逐列循环，以下是两种可直接运行的实现方案：

方案1：纯Pandas实现（无额外依赖，执行效率高） #

核心是通过axis=1参数指定逐行计算绝对值最大值，利用pandas的广播机制直接完成整表运算，同时兼容全0行的除0报错问题：

import pandas as pd
df = pd.read_csv('/-----.csv')
df_max_scaled = df.copy()

# 逐行计算每行的绝对值最大值
row_abs_max = df_max_scaled.abs().max(axis=1)
# 处理全0行：避免除以0报错，全0行归一化结果仍为0
row_abs_max[row_abs_max == 0] = 1
# 按行做除法缩放
df_max_scaled = df_max_scaled.div(row_abs_max, axis=0)

方案2：调用sklearn预处理模块实现 #

sklearn.preprocessing.MaxAbsScaler原生就是用来将数据缩放到[-1,1]区间的工具，默认按列计算缩放规则，要逐行归一化只需要对数据做转置后缩放，再转置回原结构即可：

from sklearn import preprocessing
import pandas as pd
df = pd.read_csv('/-----.csv')

scaler = preprocessing.MaxAbsScaler()
# 转置后做列归一化等价于原数据的行归一化，缩放完成后再转置回来
df_max_scaled = pd.DataFrame(
    scaler.fit_transform(df.T).T,
    index=df.index,
    columns=df.columns
)

注意：如果你的数据表包含字符串、时间类非数值列，需要先将非数值列拆分出去，仅对数值类型的列执行归一化操作，否则会触发类型计算错误。

内容的提问来源于stack exchange，提问作者shervin saadat