关于数据标准化和归一化

12种数据量纲化处理方式

12种量纲化具体计算公式

标准化和归一化都是指特征工程中的特征缩放过程

使用特征缩放的作用是：
（1）使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，使模型更准确。
（2）加快学习算法的收敛速度。

缩放过程可以分为以下几种：
（1）缩放到均值为0，方差为1（Standardization——StandardScaler()）
（2）缩放到0和1之间（Standardization——MinMaxScaler()）
（3）缩放到-1和1之间（Standardization——MaxAbsScaler()）
（4）缩放到0和1之间，保留原始数据的分布（Normalization——Normalizer()）

上面的（1）就是常说的z-score归一化，（2）是min-max归一化。

z-score归一化： 将数值范围缩放到0附近，但没有改变数据分布。
最常见的标准化方法就是Z标准化。
这种方法涉及原始数据的均值（mean）和标准差（standard deviation）

x_normal=(x-x.mean())/(x.std())

min-max归一化：这种是对数据的数值范围进行特定缩放，但不改变其数据分布的一种线性特征变换

x_scale=(x-x.min())/(x.max()-x.min())