线性归一化
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。
- sklearn.preprocessing.MinMaxScaler
- MinMaxScaler(feature_range(0,1)...)
- 每个特征缩放到给定的范围
- MinMaxScaler.fit_transform(X)
- X:numpy array格式的数据[n_samples,n_features]
- 返回值：转化后相同的array
from sklearn.preprocessing import MinMaxScaler
def mm():
'''
归一化处理
'''
mm = MinMaxScaler()
'''mm = MinMaxScaler(feature_range=(2,3)) 缩定范围 '''
data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
print(data)
return None
if __name__ == '__main__':
mm()
标准差归一化，也叫Z-score标准化，这种方法给予原始数据的均值（mean，μ）和标准差（standard deviation，σ）进行数据的标准化。经过处理后的数据符合标准正态分布，即均值为0，标准差为1 ,如果出现异常点，由于具有一定数据量，少量异常点对平均值的影响并不大，从而方差改变较小。
- StandardScaler(...)
- StandardScaler.fit_transform(X)
- X:numpy array格式的数据[n_samples,n_features]
- 返回值：转化后相同的array
- StandardScaler.mean_
- StandardScaler.std_
