数据归一化和两种常用的归一化方法
一、总结
一句话总结：
min-max标准化：x* =(x-min)/(max-min)：新数据加入，虚重新计算max和min
Z-score标准化：x* =(x-μ)/σ：μ为所有样本数据的均值，σ为所有样本数据的标准差
1、为什么要对数据进行归一化处理？
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
二、数据归一化和两种常用的归一化方法
转自或参考：数据归一化和两种常用的归一化方法
https://www.cnblogs.com/chaosimple/p/3227271.html
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：
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：
其中
为所有样本数据的均值，
为所有样本数据的标准差。
参考文献：
http://webdataanalysis.net/data-analysis-method/data-normalization/