当数据（x）按照最小值中心化后，再按极差（最大值-最小值）缩放，数据移动了最小值个单位，并且会被收敛到[0，1]之间，而这个过程，就称作数据归一化（Normalization，又称Min-Max Scaling）。

在sklearn当中，我们使用preprocessing.MinMaxScaler来实现这个功能。

MinMaxScaler有一个重要参数，feature_range，控制我们希望把数据压缩到的范围，默认是[0，1]。

代码：

# 先切分整体的数据集， 利用mms，学习训练集的信息， 用他们来转换训练集，转换测试集

# 可以避免之前所描述的信息的泄露

X_train, X_test, y_train, y_test = train_test_split(X, # array或者是DF

y, # 标签

test_size=0.3, # 切分出来的测试集的占比

random_state=210# 随机数种子

)

# 实现归一化

from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 实例化

mms = MinMaxScaler()

mms = mms.fit(X_train)

X_train_ = mms.transform(X_train)

X_test_ = mms.transform(X_test)

# 训练和导出结果一步达成

clf = KNeighborsClassifier(n_neighbors = 4)

clf.fit(X_train_, y_train)

clf.score(X_train_, y_train), clf.score(X_test_, y_test)