Revise paste 316165a075435

"""
=============================================================
  NORMALIZACJA OBSERWACJI – Normalizer (L1, L2, Max)
  Materiał dydaktyczny
=============================================================
  Uwaga: Normalizer działa na WIERSZACH (obserwacjach),
         a nie na kolumnach (cechach) jak MinMaxScaler.
"""

import numpy as np
from sklearn.preprocessing import Normalizer

# ── Macierz cech (każdy wiersz = jedna obserwacja) ────────────────────────────
features = np.array([[ 0.5,  0.5],
                     [ 1.1,  3.4],
                     [ 1.5, 20.2],
                     [1.63, 34.4],
                     [10.9,  3.3]])

print("Oryginalna macierz cech:")
print(features)

# ── Normalizacja L2 (euklidesowa) ─────────────────────────────────────────────
normalizer_l2 = Normalizer(norm="l2")
features_l2 = normalizer_l2.transform(features)

print("\nPo normalizacji L2 (każdy wiersz ma długość = 1):")
print(features_l2)

# Weryfikacja: norma każdego wiersza powinna wynosić 1
normy_l2 = np.linalg.norm(features_l2, axis=1)
print("\nNormy L2 wierszy (powinny = 1.0):", np.round(normy_l2, 6))

# ── Normalizacja L1 (Manhattan) ───────────────────────────────────────────────
normalizer_l1 = Normalizer(norm="l1")
features_l1 = normalizer_l1.transform(features)

print("\nPo normalizacji L1 (suma wartości bezwzgl. w wierszu = 1):")
print(features_l1)

normy_l1 = np.abs(features_l1).sum(axis=1)
print("\nSumy |x| L1 wierszy (powinny = 1.0):", np.round(normy_l1, 6))

# ── Normalizacja Max (Chebyshev) ──────────────────────────────────────────────
normalizer_max = Normalizer(norm="max")
features_max = normalizer_max.transform(features)

print("\nPo normalizacji Max (max wartość w wierszu = 1):")
print(features_max)

# ── Tabela porównawcza ────────────────────────────────────────────────────────
print("\n{:<20} {:>10} {:>10} {:>10} {:>10}".format(
    "Obserwacja", "c1 oryg.", "c2 oryg.", "c1 L2", "c2 L2"))
print("-" * 60)
for i in range(len(features)):
    print("{:<20} {:>10.3f} {:>10.3f} {:>10.6f} {:>10.6f}".format(
        f"obs[{i}]",
        features[i, 0], features[i, 1],
        features_l2[i, 0], features_l2[i, 1]))

# ── Wyjaśnienie wzorów ────────────────────────────────────────────────────────
print("""
Stosowane wzory:
  L2 (domyślna): x' = x / sqrt(x1² + x2² + ... + xn²)
  L1           : x' = x / (|x1| + |x2| + ... + |xn|)
  Max          : x' = x / max(|x1|, |x2|, ..., |xn|)
""")