数据归一化方法部分整合

一. 将数据归一化到任意区间范围的方法：
X是当前数据区间，$\left[X_{min},X_{max}\right]$又可视为当前样本数据的最小值和最大值，
Y是要映射归一化到的区间，$\left[Y_{min},Y_{max}\right]$，
x是现有的样本数据中需要归一化的任一值，
y是x对应归一化后映射的区间中的值，
公式：
$$y=Y_{min}+\frac{Y_{max}-Y_{min}}{X_{max}-X_{min}}\ast (x-X_{min})$$

原文链接：https://blog.csdn.net/willduan1/article/details/80448493

二. 映射到$\left[0,1\right]$区间的方法：
原文链接：https://blog.csdn.net/Poo_Chai/article/details/83542887

1. Min_Max Normalization（离差标准化）
   使结果落到$\left[0,1\right]$区间，x是当前要归一化的值，$x_{norm}$则是x对应在$\left[0,1\right]$区间的值，$X_{max}，X_{min}$分别是当前样本的最大值和最小值。
   公式：
   $$x_{norm}=\frac{x-X_{min}}{X_{max}-X_{min}}$$

2. z-score标准化（zero-mean normalization）
   又称为标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，$\mu$是所有样本数据的均值，$\sigma$是所有样本的标准差，是SPSS中最为常用的标准化方法。
   公式：
   $$x_{norm}=\frac{x-\mu }{\sigma }$$

下面两种基本上都要求样本数据大于等于0或1
3. Log 函数转换
通常以10为底的log函数转换方法同样可以实现归一化，注意所有的数据必须大于1，${\log }_{10}$通常可以记作$\lg$, $X_{max}$表示样本的最大值。
公式：
$$x_{norm}=\frac{\lg (x)}{\lg (X_{max})}$$

4. atan函数转换
   用反正切函数实现数据的归一化
   注意，如果样本数据中的数据小于0，则这些数据会被映射到$\left[-1,0\right]$区间上，如果想样本数据归一化到$\left[0,1\right]$区间，则样本数据需要全部都大于等于0.
   公式：
   $$x_{norm}=atan(x)\ast \frac{2}{\pi }$$