数据处理：归一化、标准化及其区别

归一化：

把数据变成(０，１)之间的小数。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。
所谓“归一”，注意“一”，就是把数据归到（0，1）这个区间内。
常用的方法有： min-max归一化
$$y=\frac{x-min}{max-min}$$
其中，x为原数据，y为处理后的数据，min为数据最小值，max为数据最大值

Python实现：

# 导入MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
#使用MinMaxScaler进行数据预处理
x_minmax=MinMaxScaler().fit_transform(x)

标准化：

在机器学习中，我们可能要处理不同种类的资料，例如，音讯和图片上的像素值，这些资料可能是高维度的，资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平均)、标准差变为1
所谓“标准”，就是标准正态分布，把数据转换成标准正态分布。
常用的方法有：z-score标准化，即零-均值标准化
$$y=\frac{x-\mu }{\sigma }$$

其中，x为原数据，y为处理后的数据，μ为平均，σ为标准差

Python中的实现：

# 导入StandardScaler
from sklearn.preprocessing import StandardScaler
#使用StandardScaler进行数据预处理
x_stand=StandardScaler().fit_transform(x)

区别：

归一化是为了消除不同数据之间的量纲，方便数据比较和共同处理，比如在神经网络中，归一化可以加快训练网络的收敛性；标准化是为了方便数据的下一步处理，而进行的数据缩放等变换，并不是为了方便与其他数据一同处理或比较，比如数据经过零-均值标准化后，更利于使用标准正态分布的性质，进行处理