在資料分析之前，我們通常需要先將資料標準化（normalization），利用標準化後的資料進行資料分析。資料標準化也就是統計資料的指數化。資料標準化處理主要包括資料同趨化處理和無量綱化處理兩個方面。資料同趨化處理主要解決不同性質資料問題，對不同性質指標直接加總不能正確反映不同作用力的綜合結果，須先考慮改變逆指標資料性質，使所有指針對測評方案的作用力同趨化，再加總才能得出正確結果。資料無量綱化處理主要解決資料的可比性。資料標準化的方法有很多種，常用的有「最小—最大標準化」、「z-score標準化」和「按小數定標標準化」等。經過上述標準化處理，原始資料均轉換為無量綱化指標測評值，即各指標值都處於同乙個數量級別上，可以進行綜合測評分析。
一、min-max 標準化
min-max標準化方法是對原始資料進行線性變換。設mina和maxa分別為屬性a的最小值和最大值，將a的乙個原始值x通過min-max標準化對映成在區間[0,1]中的值x'，其公式為：
新資料=（原資料-極小值）/（極大值-極小值）
用svm對資料進行訓練前一般採用此方法對資料進行標準化。
二、z-score 標準化
這種方法基於原始資料的均值（mean）和標準差（standard deviation）進行資料的標準化。將a的原始值x使用z-score標準化到x'。
z-score標準化方法適用於屬性a的最大值和最小值未知的情況，或有超出取值範圍的離群資料的情況。
新資料=（原資料-均值）/標準差
spss預設的標準化方法就是z-score標準化。
用excel進行z-score標準化的方法：在excel中沒有現成的函式，需要自己分步計算，其實標準化的公式很簡單。
步驟如下：
1.求出各變數（指標）的算術平均值（數學期望）xi和標準差si ；
2.進行標準化處理：
zij＝（xij－xi）／si
其中：zij為標準化後的變數值；xij為實際變數值。
3.將逆指標前的正負號對調。
標準化後的變數值圍繞0上下波動，大於0說明高於平均水平，小於0說明低於平均水平。
三、decimal scaling小數定標標準化
這種方法通過移動資料的小數點位置來進行標準化。小數點移動多少位取決於屬性a的取值中的最大絕對值。將屬性a的原始值x使用decimal scaling標準化到 x'的計算方法是：
x'=x/(10*j)
其中，j是滿足條件的最小整數。
例如 假定a的值由-986到917，a的最大絕對值為986，為使用小數定標標準化，我們用1000（即，j=3）除以每個值，這樣，-986被規範化為-0.986。
注意，標準化會對原始資料做出改變，因此需要儲存所使用的標準化方法的引數，以便對後續的資料進行統一的標準化。
四、除了上面提到的資料標準化外還有對數logistic模式、模糊量化模式等等：
對數logistic模式：新資料=1/（1+e^(-原資料)）
模糊量化模式：新資料=1/2+1/2sin[派3.1415/（極大值-極小值）*（x-（極大值-極小值）/2） ] x為原資料
python資料標準化處理 資料標準化處理
正態分佈跟標準分數之間的關係 python版本 3.5 標準分數 標準分數 standard score，又稱z score z分數或標準化值 是將集合中的單個數與集合的均值相減的結果除以集合的標準差得到標準化的結果，該方法類似於正態分佈的標準化轉換，轉換函式為 式中x為需要被標準化的原始值，為均值...
資料標準化處理
資料的標準化 normalization 也就是將資料按照比例縮放，使之落入特定區間內。因為不同的指標往往具有不同的量綱和單位，這樣的資料會影響分析結果，為了消除指標之間的這種影響，需要進行資料標準化處理，使個指標處於同一量級，讓指標有可比性。常用的歸一化有兩種方法 一 min max標準化 min...
資料標準化處理
python資料分析與資料化運營 宋天龍 著 資料標準化是乙個常用的資料預處理操作，目的是處理不同規模和量綱的資料，使其縮放到相同的資料區間和範圍，以減少規模 特徵 分布差異等對模型的影響。除了用作模型計算，標準化後的資料還具有了直接計算並生成復合指標的意義，是加權指標的必要步驟。z score標準...