python 0-1标准 最大值_数据预处理（去量钢化）的四大方法与python实现

 如何学习数据分析？做数据分析，尤其是数据建模，一半的时间都会花费在数据预处理上。但不进行预处理又不可行，因为不处理就不能很好地进行数据压缩和可视化，也不能满足模型对数据的要求。

数据预处理重要又费时，如何提高数据预处理的效率呢？数据去量钢化预处理四大方法来了， python帮你轻松实现。

01.

去量钢化四大方法

1.  标准化(StandardScaler)

StandardScaler使每个特征的平均值为0，方差为1。优点是确保每一个特征都在同一个数量级上，缺点是不能保证每个特征的最大值和最小值。

2. 鲁棒标量化(RobustScaler)

RobustScaler原理与StandardScaler类似，使每一个特征的统计属性都位于同一范围。

RobustScalar与StandardScaler不同的是，RobustScaler使用的是中位数和四分位数。

RobustScaler会忽略异常值(即与其他多数点有非常大差异的点)。

3. 最小最大值标量化(MinMaxScaler)

MinMaxScaler用数值本身减去最小值再除以数据范围(最大值-最小值)，也使每一个特征的值都位于0和1之间。对二维数据集来说，就是使所有特征的值都位于以(0,0)和(1,1)互为对角线顶点的正方形内。