如何将特征映射至[0,-1]或[-1,1]范围？含Python/sklearn实现方案

嘿，关于特征缩放到固定范围的需求，我在日常机器学习建模里经常遇到，下面给你拆解手动公式和Python生态里的简便实现，都是实战中常用的方案～

一、先搞懂核心公式 #

首先得明确两个场景的基础公式，不过要提前说：这些公式更适合数据分布均匀、没有极端离群值的情况，如果有大量 outliers，建议先做异常值处理，不然缩放效果会打折扣。

1. 缩放到[0,1]（经典Min-Max缩放） #

这个是最常用的，公式非常直观：

scaled_value = (x - 列最小值) / (列最大值 - 列最小值)

通过把数据减去最小值，再除以极差（最大值减最小值），就能把所有数据压缩到0到1之间。

2. 缩放到[-1,1] #

在Min-Max缩放的基础上做个线性变换就行：

scaled_value = 2 * ((x - 列最小值) / (列最大值 - 列最小值)) - 1

先把数据拉到[0,1]，再通过乘2减1，把范围平移拉伸到[-1,1]。

二、Python里的简便实现 #

1. Scikit-learn（最推荐，适配机器学习工作流） #

sklearn的MinMaxScaler专门干这个，而且能完美适配训练-测试集的缩放逻辑，避免数据泄露：

缩放到[0,1]

from sklearn.preprocessing import MinMaxScaler
import numpy as np

# 示例数据：2个样本，3个特征列
data = np.array([[1, 2, 3], [4, 5, 6]])

# 初始化缩放器，指定范围[0,1]
scaler = MinMaxScaler(feature_range=(0, 1))
# 拟合训练数据并完成缩放
scaled_data = scaler.fit_transform(data)
print(scaled_data)
# 输出：[[0. 0. 0.]
#        [1. 1. 1.]]

缩放到[-1,1]

只需要修改feature_range参数，其他逻辑完全一样：

scaler = MinMaxScaler(feature_range=(-1, 1))
scaled_data = scaler.fit_transform(data)
print(scaled_data)
# 输出：[[-1. -1. -1.]
#        [ 1.  1.  1.]]

重点：后续处理测试数据时，直接用scaler.transform(test_data)就行，不用重新拟合，这样能保证训练和测试集用的是同一套min/max规则，这是机器学习里的关键细节！

2. Numpy手动实现（灵活定制场景） #

如果不想依赖sklearn，用Numpy几行代码就能搞定，适合需要自定义逻辑的情况：

缩放到[0,1]

import numpy as np

data = np.array([[1, 2, 3], [4, 5, 6]])

# 按特征列计算最小值和最大值
min_vals = np.min(data, axis=0)
max_vals = np.max(data, axis=0)

# 计算缩放后的数据
scaled_data_01 = (data - min_vals) / (max_vals - min_vals)
print(scaled_data_01)

缩放到[-1,1]

基于上面的结果做个变换：

scaled_data_neg1_pos1 = 2 * scaled_data_01 - 1
print(scaled_data_neg1_pos1)

这种方式适合你只需要对特定列缩放，或者要和其他数据处理步骤结合的场景。

小提醒 #

• 如果数据里有极端离群值，Min-Max缩放会把大部分数据挤在很小的区间里，这时候可以先对离群值做截断（比如用95%分位数代替超出部分），或者改用RobustScaler（基于中位数和四分位数的缩放，对离群值更鲁棒）。
• 永远不要用测试集的min/max来缩放训练集，一定要用训练集拟合的参数去变换测试集，不然会影响模型的泛化能力。

内容的提问来源于stack exchange，提问作者Teodorico Levoff