基本上，我一直在寻找 sklearn 的归一化函数部分，这对以后的逻辑回归很有用。
因为我有负值，所以我选择了 MinMaxScaler 和：feature_range=(0, 1)作为参数。
x = MinMaxScaler(feature_range=(0, 1)).fit_transform(x)
然后使用sm.Logit我得到的培训师和错误，
import statsmodels.api as sm
logit_model=sm.Logit(train_data_numeric_final,target)
result=logit_model.fit()
print(result.summary())
ValueError: endog must be in the unit interval.
我认为我的值超出了 (0,1) 范围，就是这种情况：
np.unique(np.less_equal(train_data_numeric_final.values, 1))
array([False, True])
怎么会？那么我该如何进行。
我不确定你为什么MinMaxScaler不工作，但这里有一个函数可以将你的数据扩展到所需的范围：
def rescale(data, new_min=0, new_max=1):
"""Rescale the data to be within the range [new_min, new_max]"""
return (data - data.min()) / (data.max() - data.min()) * (new_max - new_min) + new_min
查看 的文档MinMaxScaler，似乎我上面的功能与他们的方法相同。
您可以将您的代码稍微分解一下，以便在自己的行上明确计算每个步骤。这可能有助于找到问题的根源。我试了一下，得到了预期的结果：
In [1]: import numpy as np
In [2]: from sklearn.preprocessing import MinMaxScaler
In [3]: x = np.random.randint(0, 10, (10, 10)).astype(np.float)
In [4]: x # generate random data in range [0, 9]
Out[4]:
array([[ 1., 4., 5., 4., 6., 1., 8., 1., 8., 9.],
[ 3., 1., 4., 4., 6., 2., 5., 1., 0., 8.],
[ 2., 0., 6., 1., 5., 2., 5., 8., 8., 4.],
[ 8., 9., 2., 8., 5., 6., 0., 5., 0., 5.],
[ 1., 3., 2., 2., 3., 2., 4., 1., 7., 5.],
[ 7., 0., 8., 8., 3., 6., 6., 6., 4., 3.],
[ 4., 3., 4., 4., 7., 6., 4., 5., 6., 7.],
[ 9., 0., 8., 9., 7., 1., 2., 2., 4., 6.],
[ 7., 4., 2., 8., 6., 5., 2., 9., 9., 9.],
[ 7., 6., 9., 2., 9., 0., 1., 5., 7., 3.]])
In [5]: scaler = MinMaxScaler() # defaults to range [0, 1]
In [6]: scaler.fit(x) # compute the scaling factors
Out[6]: MinMaxScaler(copy=True, feature_range=(0, 1))
In [7]: scaled_data = scaler.transform(x) # scale the data
In [8]: scaled_data.shape # still the same shape
Out[8]: (10, 10)
In [9]: scaled_data.min() # min and max are 0 and 1 as expected
Out[9]: 0.0
In [10]: scaled_data.max()
Out[10]: 1.0