我們?yōu)槭裁匆鰯?shù)據(jù)歸一化，主要是數(shù)據(jù)在不同的量綱上，在機器學習領(lǐng)域中，不同的量綱和量綱單位，這樣的數(shù)據(jù)最終會影響到結(jié)果；為了解決這個問題我們要對數(shù)據(jù)做歸一化處理。

歸一化的目的就是使得預(yù)處理的數(shù)據(jù)被限定在一定的范圍內(nèi)（比如[0,1]或者[-1,1]），從而消除樣本數(shù)據(jù)的不良影響。

常用的歸一化算法如下：

1、min-max標準化（Min-Max Normalization）

也稱為離差標準化，是對原始數(shù)據(jù)的線性變換，使結(jié)果值映射到[0 - 1]之間。轉(zhuǎn)換函數(shù)如下：

其中max為樣本數(shù)據(jù)的最大值，min為樣本數(shù)據(jù)的最小值。這種方法有個缺陷就是當有新數(shù)據(jù)加入時，可能導致max和min的變化，需要重新定義。

2、Z-score標準化方法

這種方法給予原始數(shù)據(jù)的均值（mean）和標準差（standard deviation）進行數(shù)據(jù)的標準化。經(jīng)過處理的數(shù)據(jù)符合標準正態(tài)分布，即均值為0，標準差為1，轉(zhuǎn)化函數(shù)為：

其中為μ所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)的標準差。該種歸一化方式要求原始數(shù)據(jù)的分布可以近似為高斯分布，否則處理的效果會變差。

• min-max標準化實現(xiàn)如下：

打印輸出dataframe

打印輸出df_norm

• Z-score標準化實現(xiàn)如下：