几种数据预处理方法汇总（标准/中心化、归一化、正则化）+Python代码

1. 数据的标准化（规范化/归一化）

数据标准化是将样本的属性缩放到某个指定的范围。

数据标准化的原因：

1. 某些算法要求样本具有零均值和单位方差；
2. 需要消除样本不同属性具有不同量级时的影响：①数量级的差异将导致量级较大的属性占据主导地位；②数量级的差异将导致迭代收敛速度减慢；③依赖于样本距离的算法对于数据的数量级非常敏感。

1.1 z-score标准化（规范化）：

基于原始数据的均值（mean）和标准差（standarddeviation）进行数据的标准化。将A的原始值x使用z-score标准化到x’。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。

数据中心化： 是指变量减去它的均值。
数据标准化： 是指变量减去它的均值，再除以标准差。

其公式为： 新数据 =（原数据- 均值）/ 标准差
Python代码实现：
1.使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。

from sklearn import preprocessing
import numpy as np

X = np.array([[1, -1, 2], [2, 0, 0], [0, 1, -1]])
X_scaled = preprocessing.scale(X)   # 调用skleam函数实现标准化

# 处理后数据的均值和方差
X_scaled.mean(axis=0)  # 均值
X_scaled.std(axis=0)  # 方差

2.使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数据。

from sklearn.preprocessing import StandardScaler
import numpy as np

X = np.array([[ 1.,-1.,2.],[ 2.,0.,0.],[ 0.,1.,-1.]])
sca