MinMaxScaler : mettre entre 0 et 1

Le StandardScaler centre les donnees autour de 0, mais parfois tu preferes que tout soit entre 0 et 1. C'est ce que fait le MinMaxScaler, et c'est particulierement utile pour les reseaux de neurones qui aiment bien des entrees bornees.

Le minimum de la colonne devient 0, le maximum devient 1, et tout le reste est proportionnel entre les deux. C'est utile quand tu veux que toutes tes features soient sur la meme echelle, par exemple pour les reseaux de neurones ou les algorithmes bases sur la distance.

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X)
scaler.data_min_ # les minimums par colonne
scaler.data_max_ # les maximums par colonne

Écris une fonction minmax_normaliser(df) qui prend un DataFrame numerique, applique le MinMaxScaler, et renvoie un dictionnaire avec :
'df_normalise' : le DataFrame normalise (valeurs entre 0 et 1)
'min_vals' : dictionnaire colonne -> valeur minimale originale
'max_vals' : dictionnaire colonne -> valeur maximale originale

Exemple :

df = pd.DataFrame({'a': [10, 20, 30]})
result = minmax_normaliser(df)
# result['df_normalise']['a'] == [0.0, 0.5, 1.0]

Tests (4/4)

Valeurs entre 0 et 1

import pandas as pd
df = pd.DataFrame({'a': [10.0, 20.0, 30.0]})
result = minmax_normaliser(df)
assert abs(result['df_normalise']['a'].min()) < 1e-9
assert abs(result['df_normalise']['a'].max() - 1.0) < 1e-9

Valeur du milieu

import pandas as pd
df = pd.DataFrame({'a': [0.0, 50.0, 100.0]})
result = minmax_normaliser(df)
assert abs(result['df_normalise']['a'].iloc[1] - 0.5) < 1e-9

Min et max originaux

import pandas as pd
df = pd.DataFrame({'x': [5.0, 10.0, 15.0]})
result = minmax_normaliser(df)
assert abs(result['min_vals']['x'] - 5.0) < 1e-9
assert abs(result['max_vals']['x'] - 15.0) < 1e-9

Plusieurs colonnes

import pandas as pd
df = pd.DataFrame({'a': [0.0, 100.0], 'b': [0.0, 10.0]})
result = minmax_normaliser(df)
assert abs(result['df_normalise']['a'].max() - 1.0) < 1e-9
assert abs(result['df_normalise']['b'].max() - 1.0) < 1e-9

Indices (3 disponibles)

Solution officielle

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def minmax_normaliser(df):
    scaler = MinMaxScaler()
    scaled = scaler.fit_transform(df)
    df_normalise = pd.DataFrame(scaled, columns=df.columns)
    min_vals = {col: float(m) for col, m in zip(df.columns, scaler.data_min_)}
    max_vals = {col: float(m) for col, m in zip(df.columns, scaler.data_max_)}
    return {'df_normalise': df_normalise, 'min_vals': min_vals, 'max_vals': max_vals}

← StandardScaler : normaliser les features Train/test split stratifie →

solution.py

Bravo!

MinMaxScaler : mettre entre 0 et 1

Tests (4/4)

Indices (3 disponibles)

Solution officielle