数据标准化的原因和方法

数据标准化的原因和方法

原因

   由于不同变量常常具有不同的单位和不同的变异程度。   
   不同的单位常使系数的实践解释发生困难。例如：第1个变量的单位是kg，第2个变量的单位是cm，那么在计算绝对距离时将出现将两个事例中第1个变量观察值之差的绝对值（单位是kg）与第2个变量观察值之差的绝对值（单位是cm ）相加的情况。使用者会说5kg的差异怎么可以与3cm的差异相加？   
   不同变量自身具有相差较大的变异时，会使在计算出的关系系数中，不同变量所占的比重大不相同。例如如果第1个变量（两水稻品种米粒中的脂肪含量）的数值在 2%到4%之间，而第2个变量（两水稻品种的亩产量）的数值范围都在1000与5000之间。为了消除**量纲影响**和**变量自身变异大小和数值大小**的影响，故将数据标准化。

方法

1. 对变量的离差标准化
   离差标准化是将某变量中的观察值减去该变量的最小值，然后除以该变量的极差。即  x’ik＝[xik －Min (xk)]／Rk     
   经过离差标准化后，各种变量的观察值的数值范围都将在〔0，1〕之间，并且经标准化的数据都是没有单位的纯数量。离差标准化是消除量纲（单位）影响和变异大小因素的影响的最简单的方法。   
   有一些关系系数（例如绝对值指数尺度）在定义时就已经要求对数据进行离差标准化，但有些关系系数的计算公式却没有这样要求，当选用这类关系系数前，不妨先对数据进行标准化，看看分析的结果是否为有意义的变化。
2. 对变量的标准差标准化
   标准差标准化是将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即  x’ik ＝ (xik －xmean )／sk 经过标准差标准化后，各变量将有约一半观察值的数值小于0，另一半观察值的数值大于0，变量的平均数为0，标准差为1。经标准化的数据都是没有单位 的纯数量。对变量进行的标准差标准化可以消除量纲（单位）影响和变量自身变异的影响。
   但有人认为经过这种标准化后，原来数值较大的的观察值对分类结果的影 响仍然占明显的优势，应该进一步消除大小因子的影响。尽管如此，它还是当前用得最多的数据标准化方法。
3. 先对事例进行标准差标准化，再对变量进行标准差标准化
   第一步，先对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。即 x’ik ＝ (xik －x )／si     
   第二步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即 x’’ik ＝ (x’ik － ’k)／s’k     使用这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。
4. 先对变量、后对事例、再对变量的标准差标准化
   这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。具体做法是：     
   第一步，先对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即        x’ik ＝ (xik － )／sk    
    第二步，后对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。即        x’’ik ＝ (x’ik － ’i)／s’i     
    第三步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即        x’’’ik ＝ (x’’ik － ’’k)／s’’k     进行了前两步之后，还要进行第三步的原因，主要是为了计算的方便。