Python - нормализует / стандартизирует значения словаря

Question

У меня есть три словаря, в которых ключи одинаковы, однако масштабы этих словарей значительно различаются. Я хочу нормализовать / стандартизировать значения этих словарей, чтобы затем суммировать их вместе, чтобы создать общую комбинированную оценку для каждого ключа (с равными весами для трех разных входов).

Current:
page_score = {'andrew.lewis: 6.599', 'jack.redmond: 4.28'.....'geoff.storey: 2.345)
eigen_score = {'andrew.lewis: 4.97', 'jack.redmond: 2.28'.....'geoff.storey: 3.927)
(1 more)


Normalized:
page_score = {'andrew.lewis: 0.672', 'jack.redmond: 0.437'.....'geoff.storey: 0.276)
hub_score = {'andrew.lewis: 0.432', 'jack.redmond: 0.762'.....'geoff.storey: 0.117)
(1 more)

End Output:
overall_score = {'andrew.lewis: 2.738.....) """combination of values across the three standardized dictionaries"""

Как мне этого добиться? Я знаю, как сделать это для списка, однако я не уверен, как добиться этого для словаря. Я уже пробовал решения, предоставленные здесь и здесь , однако, как ни странно, они создавали различные ошибки. Любая помощь будет оценена. Код до сих пор:

G = nx.read_weighted_edgelist('Only_50_Employees1.csv', delimiter=',', create_using = nx.DiGraph(), nodetype=str)

between_score = dict(nx.betweenness_centrality(G))
eigen_score = dict(nx.eigenvector_centrality(G))
page_score = nx.pagerank(G)

Уже пробовал

factor=1.0/sum(page_score.values())
normalised_d = {k: v*factor for k, v in page_score.items()}

def normalize(page_score, target=1.0):
raw = sum(page_score.values())
factor = target/raw
return {key:value*factor for key,value in page_score.items()}

def really_safe_normalise_in_place(page_score):
factor=1.0/math.fsum(page_score.values())
for k in page_score:
    page_score[k] = page_score[k]*factor
key_for_max = max(page_score.tems(), key=operator.itemgetter(1))[0]
diff = 1.0 - math.fsum(page_score.values())
#print "discrepancy = " + str(diff)
page_score[key_for_max] += diff
d={v: v+1.0/v for v in xrange(1, 1000001)}
really_safe_normalise_in_place(d)
print math.fsum(page_score.values())

Снимок экрана словаря page_score:

Answer 1

Для всех, кто заинтересовался, я нашел очень нелепый способ добиться этого с помощью фрейма данных:

# Libraries
import networkx as nx
import pandas as pd
import operator

# Loading files and node metrics
G = nx.read_weighted_edgelist('Only_50_Employees1.csv', delimiter=',', create_using = nx.DiGraph(), nodetype=str)
page_score = dict(nx.pagerank(G))
eigen_score = dict(nx.eigenvector_centrality(G))
betweenness_score = dict(nx.betweenness_centrality(G))
mydicts = [page_score, betweenness_score, eigen_score]

# Creating pandas dataframe
df = pd.concat([pd.Series(d) for d in mydicts], axis=1).fillna(0).T
df.index = ['page_score', 'betweenness_score', 'eigen_score']
df = df.transpose()
del page_score, eigen_score, betweenness_score, mydicts

# Scaling (and making values positive)
df = (df - df.mean()) / (df.max() - df.min())
minus_columns = ['page_score', 'betweenness_score', 'eigen_score']
df = df[minus_columns] + 1

# Creating new column with overall score
df['score'] = df['page_score'] + df['betweenness_score'] + df['eigen_score']
del df['page_score'], df['betweenness_score'], df['eigen_score']

# Reverting df back to dict
score_dict = df['score'].to_dict()