Normalizer与Standardizer两种缩放方法对比及运行报错问题咨询

• 直接触发NameError的原因：你在Standardizer的__init__方法中调用类内方法x_avg_std时，没有添加实例前缀self。Python调用类内实例方法必须通过实例（即self）或类本身访问，直接写函数名的话会在全局作用域查找该函数，找不到就会抛出未定义的报错。如果你写的Normalizer类可以正常运行，大概率是你当前运行环境的全局作用域中刚好定义过同名的x_min_max全局函数，否则Normalizer也会抛出完全一样的NameError。
• 隐藏的代码错误：两个类的内部方法定义都不符合Python实例方法的规范，实例方法的第一个参数必须是实例自身（通常命名为self），你当前写的x_min_max、x_avg_std都缺失了self参数，哪怕你给调用加上self.前缀，也会因为参数数量不匹配抛出新的报错。另外Normalizer的normalize_data方法里还存在参数取值颠倒的bug，你从params里取第0位当最大值、第1位当最小值，但x_min_max返回的是(最小值, 最大值)，会导致归一化结果完全错误。

不存在“不建议在__init__中调用定义在后方的类方法”的说法。Python在实例化类的时候，会先完成整个类所有属性、方法的加载，再执行__init__方法，类内方法的定义顺序完全不影响调用，只要你通过self.正确访问即可。

class Normalizer():
    def __init__(self, dataframe):
        self.params = []
        for col in dataframe.columns:
            self.params.append(self.x_min_max(dataframe[col]))
            
    def x_min_max(self, data):
        minimum = min(data)
        maximum = max(data)
        return minimum, maximum

    def normalize_data(self, x):
        normalized = []
        for i, val in enumerate(x):
            x_min = self.params[i][0]
            x_max = self.params[i][1]
            normalized.append((x[i]-x_min)/(x_max-x_min))
        return normalized


class Standardizer():
    def __init__(self, dataframe):
        self.params = []
        for col in dataframe.columns:
            self.params.append(self.x_avg_std(dataframe[col]))
            
    def x_avg_std(self, data):
        avg = sum(data) / len(data)
        std = (sum([((x - avg) ** 2) for x in data]) / (len(data) - 1)) ** 0.5
        return avg, std

    def standardize_data(self, x):
        standardized = []
        for i, val in enumerate(x):
            x_avg = self.params[i][0]
            x_std = self.params[i][1]
            standardized.append((x[i] - x_avg)/x_std)
        return standardized

内容的提问来源于stack exchange，提问作者yuan