python特征归一化与标准化

综述

特征处理中，归一化和标准化是不变的话题。最近看了不少归一化和标准化相关的文献，发现还是有点坑的。但是我不管也不打算讲清楚这俩的区别，当工业界模型要求不高，数据量又大的时候，冲上去一通操作就行了。不过我们还是要掌握最基础的知识：

概念

归一化：归一化方法有两种形式，一种是把数变为（0，1）之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。

标准化：在机器学习中，我们处理的数据可能是高维度的，再这样的前提下，我们会考虑标准化方法，使之变成每个特征数值平均为0，标准差为1的状态。这个方法被广泛的使用在许多机器学习算法中(ex：SVM，LR和类神经网络)。

区别：归一化的核心是统一量纲，构建了原数据到[0,1]（或[-1,1]）区间内的一个映射。而标准化则是通过特征矩阵的列处理数据，通过z-score将样本整体转换。有一说标准化是将数据转换为标正态分布，但我认为标准化数据不会改变数据的分布，如果原来的数据不是正态分布，标准化后是得不到标准正态分布的。
两者相同点是都能消除量纲产生的误差，都是线性变换。只是线性变换的具体形式不一样。

公式

现有的资料一般会列出如下四条公式：
Rescaling (min-max normalization)
$$x^{\prime }=\frac{x-\min (x)}{\max (x)-\min (x)}$$
Mean normalizatio