数据标准化的目的是使其缩放到相同的数据区间，以减少规模、特征、分布差异对模型的影响。
除了用做模型计算，标准化后的数据还具有直接计算并生成符合指标的意义，是加权指标的必要步骤。
1. 实现中心化和正太分布的Z-Score
Z-Score标准化是基于原始数据的均值和标准差进行的标准化，假设原转换数据为x，新数据为 x' ，那么 x' = (x-mean)/std。
这种方法适合大多数类型的数据，是默认的标准化方法。标准化后的数据是以0为均值，1为方差的正太分布。但Z-Score方法是一种中心化方法，会改变原有数据的分布结构，不适合对稀疏矩阵做处理。
注意：很多时候，数据集会存在稀疏性，表现为标准差小、很多元素值为0，最常见的稀疏数据集是用来做协同过滤的数据集，绝大部分的数据都为0，仅有少部分数据为1。对稀疏矩阵做标准化，不能采用中心化的方式，否则会破坏稀疏矩阵的结构。
2. 实现归一化的Max-Min
Max-Min标准化是对原始数据进行线性变换，假设原转换数据为 x，新数据为 x'，那么x' = (x-min)/(max-min)。
这种标准化得到的数据完全落入[0, 1]区间内（Z-Score没有类似区间）。
这种方法还能较好的保持原有数据结构。
3. 用于稀疏矩阵的MaxAbs
最大值绝对值标准化（MaxAbs）即根据最大值的绝对值进行标准化，假设原转换的数据x，新数据 x'，那么 x' = x/|max|。
MaxAbs方法跟Max-Min用法类似，也将数据落入一定区间，区间为[-1, 1]。
这种方法保持原有数据结构，可用于稀疏矩阵、稀疏的CSR或CSC矩阵。
注意：CSR（Compressed Sparse Row，行压缩）和 CSC（Compressed Sparse Column，列压缩）是稀疏矩阵的两种存储格式，这两种稀疏矩阵在 scipy.sparse包中应用广泛。（稀疏矩阵的格式：COO、CSR、DIA、ELL、HYB等）。
4. 针对离群点的 RobustScaler
假如数据有离群点，使用Z-Score标准化，结果并不理想，因为异常点的特征往往在标准化后失去离群特征。
可以使用 RobustScaler针对离群点做标准化处理。该方法对数据中心化和数据的缩放健壮性有更强的参数控制能力。
5. 代码实操：Python标准化处理
import numpy as np from sklearn import preprocessing import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 data = np.loadtxt('data6.txt', delimiter=' ') # Z-Score标准化 zscore_scaler = preprocessing.StandardScaler() data_scale_1 = zscore_scaler.fit_transform(data) # Max-Min标准化 minmax_scaler = preprocessing.MinMaxScaler() data_scale_2 = minmax_scaler.fit_transform(data) # MaxAbsScaler标准化 maxabs_scaler = preprocessing.MaxAbsScaler() data_scale_3 = maxabs_scaler.fit_transform(data) # RobustScaler标准化 robustscalerr_scaler = preprocessing.RobustScaler() data_scale_4 = robustscalerr_scaler.fit_transform(data) # 展示多网格结果 data_list = [data, data_scale_1, data_scale_2, data_scale_3, data_scale_4] # 创建尺寸列表 scalar_list = [15, 10, 15, 10, 15, 10] # 创建颜色列表 color_list = ['black', 'green', 'blue', 'yellow', 'red'] # 创建样式列表 marker_list = ['o', ',', '+', 's', 'p'] # 创建标题列表 title_list = ['scource data', 'zscore_scaler', 'minmax_scaler', 'maxabsscaler_scaler', 'robustscalerr_scaler'] for i, data_single in enumerate(data_list): # enumerate():将可遍历的对象组合成一个索引序列 plt.subplot(2, 3, i+1) plt.scatter(data_single[:, :-1], data_single[:, -1], s=scalar_list[i], marker = marker_list[i], c=color_list[i]) # plt.title(title_list[i]) # plt.suptitle('原始数据和标准化后的数据') plt.show()
实例代码用空行分为8个部分：
（1）导入库，Numpy做数据读取，Sklearn.preprocessing模块做标准化处理，matplotlib.pyplot做可视化。
（2）用来正常显示中文，负号。
（3）np.loadtxt()导入数据，文件以tab分割。
（4）Z-Score标准化。通过preprocessing.StandardScaler建立模型，然后应用fit_transform进行转换。除了StandardScaler类外，还可以用preprocessing.scale(X)做标准化处理，二者的差别是preprocessing.StandardScaler方法可以满足一次性的标准化处理，又能将转换数据集的特征保存下来，分别通过fit和transform对多个数据集（测试集、训练集）做相同规则的转换。
（5）Max-Min标准化。通过preprocessing.MinMaxScaler建立模型，然后用用fit_transform进行转换。也可以用sklearn.preprocessing.minmax_scale。
（6）MaxAbsScaler标准化。通过