1、简单变换：
开方、平方、对数等
2、数据规范化：
（1）离差标准化（最小最大标准化）：消除量纲（单位）影响以及变异大小因素的影响。
x1=（x-min)/(max-min)
代码：data1=(data-min())/(data.max()-data.min())
（2）标准差标准化（0-均值标准化）------消除单位影响以及变量自身变异影响。
x1=(x-mean)/std
代码：data2=(data-data.mean())/data.std()
它有个特性，得到的数据负数较正数多，且得到的平均数为0，标准差为1.
（3）小数定标规范化------消除单位影响
x1=x/10**(k)
k=log10（x的绝对值的最大值）
代码：k=numpy.ceil(numpy.log10(data.abs().max()))
data3=data/10**k
3、离散化：
（1）等宽离散化：将属性的值域分为具有相同宽度的区间。
代码：采用pandas.cut()函数，cut有三个参数，第一个是数据，第二个参数表示分为k份，第三个参数为标签labels。
pandas.cut(data,3,labels=["便宜","适中","贵"])#将数据data分为3等份，标签为便宜、适中、贵
如：
非等宽离散化：pandas.cut ( data, [ 0,50,150,300,500,data.max() ] ,labels)
（注意：将列表[0,50,……]可以换成分位数，就可以进行等频率离散化。
（2）等频率离散化：将相同数据的记录放进每个区间 ①求分位数②cut函数
过程主要将k份的分位数求出来，dataframe可以用describe函数求，属性采用percentile就可以了。列表可以用numpy的percentile来求。比如np.percentile(data,75)是求四分位数（3/4)。
①dataframe结构
#k为分的份数，w作为分位数，可以运用dataframe.describe(percentiles=w)来计算分位数
w=[ i/k for i in range(k+1)]
w=data.describe (percentiles=w) [ 4:4+k+1] #取几个分位数的值作为不等长列表，用于cut函数
d2=pd.cut(data,w,labels=range(k))
②列表、数组结构
#用np.percentile(data,百分比）来求
temp=[ i/k*100 for i in range(k+1)]
w=[ ]
for item in temp:
w.append(np.percentile(data,item))
d3=pd.cut(data,w,labels=range(k))
（3）一维聚类离散化：先聚类（如k-means），然后对每一类的连续值进行标记。
①k-means求聚类中心，并排序，将相邻两项的中点作为边界点，把首末边界点加上，整合成w列表②cut函数
k-means:
from sklearn.cluster import KMeans
kmodel=KMeans(n_clusters=k) #k为聚成几类
kmodel.fit(data.reshape(len(data),1))) #训练模型
c=pd.DataFrame(kmodel.cluster_centers_) #求聚类中心
c=c.sort_values(by=’列索引') #排序
w=pd.rolling_mean(c,2).iloc[1:] #用滑动窗口求均值的方法求相邻两项求中点，作为边界点
w=[0] +list(w[0] + [ data.max() ] #把首末边界点加上
d3= pd.cut(data,w,labels=range(k)) #cut函数
4、小波变换
小波变换是一种新的数据分析方法，主要对信号数据进行特征提取。
5、属性构造：
也就是构造新的属性再写入原数据中。