Normalizer 正则化，跟z-score，对数转换，指数转换 这种数据转换方式不同。
L1 norm 是指对每个样本的每一个元素都除以该样本的L1范数.
L2 norm 是指对每个样本的每一个元素都除以该样本的L2范数.
bag of words features need to normalize with L1 norm
fisher vector features need to normalize with L2 norm
a = np.array([[10,4,5,2], [1,4,5,7]])
from sklearn.preprocessing import Normalizer
norm1 = Normalizer(norm='l1')
>>>norm1.fit_transform(a)
array([[ 0.47619048, 0.19047619, 0.23809524, 0.0952381 ], [ 0.05882353, 0.23529412, 0.29411765, 0.41176471]])
比如a[0][0] = 10/(10+4+5+2) = 0.476.., 所以每一行的和为1。
>>> norm2 = Normalizer(norm='l2')
>>> norm2.fit_transform(a)
array([[ 0.8304548 , 0.33218192, 0.4152274 , 0.16609096], [ 0.10482848, 0.41931393, 0.52414242, 0.73379939]])
比如 10/np.sqrt(100+16+25+4)＝0.830....另外 sklearn中还有一种常用的normlize的方法z-score，也就是我们常用的 减去样本均值除以样本方差。
from sklearn import preprocessing
a = np.array([[10,4,5,2], [1,4,5,7]], dtype=float)
scaler = preprocessing.StandardScaler().fit(a)
scaler.mean_
返回： array([ 5.5, 4. , 5. , 4.5])
scaler.var_ #方差
返回： array([ 20.25, 0. , 0. , 6.25])
scaler.scale_ ＃标准差， 如果方差为0则为1
返回：array([ 4.5, 1. , 1. , 2.5])
scaler.transform(a)
返回：array([[ 1., 0., 0., -1.], [-1., 0., 0., 1.]])
注意这个地方的均值和方差是按列算的，上面的L1和L2范数是样本内的操作，而这里 z-score 是样本间的，将每个样本的第一个变量之间取均值，除以方差。