【20210914】【数据分析】使用Python对数据进行标准化（归一化）

        数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位。为了消除指标之间的量纲影响，需要进行数据标准化处理，以增加数据之间的可比性。

1. min-max标准化（Min-Max Normalization）

        又叫离差标准化，是对原始数据的线性变换，使结果映射到 [0, 1] 之间，转换函数为：

        这种方法的缺陷就是：当有新数据加入时，可能会导致 max 和 min 的变化，需要重新进行标准化。

import numpy as np
from sklearn import preprocessing

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

min_max_scaler = preprocessing.MinMaxScaler()

X_minMax = min_max_scaler.fit_transform(X)

''' 找最大值和最小值，使用 np.max() 和 np.min()！ '''

 2. Z-score标准化

        也叫均值归一化（mean normalization）。经过标准化的数据满足标准正态分布，即均值为0，标准差为1，转换函数为：

import numpy as np

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

def Z_scoreNormalization(x):
    mu = x.mean()
    sigma = x.std()

    x = (x - mu) / sigma
    return x;


print(Z_scoreNormalization(X))

''' 求均值：np.mean()
    求标准差：np.std() '''

         （参考：python归一化方法）