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，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。以下是两种常用的归一化方法：

一、min-max标准化（Min-Max Normalization）

也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 – 1]之间。转换函数如下：

x∗=(x−min)/(max−min)

其中max为样本数据的最大值，min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。

二、Z-score标准化方法

这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。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，转化函数为：

x∗=(x−μ)/σ

其中 μ为所有样本数据的均值，σ为所有样本数据的标准差。

三 Z-scores 简单化

模型如下：

x∗=1/(1+x)

x越大证明x∗ 越小，这样就可以把很大的数规范在[0-1]之间了。

总结

以上1，2方法都需要依赖样本所有数据，而3方法只依赖当前数据，可以动态使用，好理解。

转载：https://www.cnblogs.com/swg1124/p/7028054.html