参考：重温归一化(MinMaxScaler)和标准化(StandardScaler)_Miracle8070-CSDN博客_standardscaler和minmaxscaler
数据挖掘中数据变换比算法选择更重要
目录
[2、标准化（Z-Score 规范化）](#2、标准化（Z-Score 规范化）)
[3、 小数定标规范化](#3、 小数定标规范化)
一、介绍
1、归一化（Normalization）
概念：数值的归一，将数值规约到(0,1)或(-1,1)区间
目的：消除量纲，便于不同单位或量级的指标能够进行比较和加权。
2、标准化（Standardization）
概念：数据分布的归一，原始数据减均值之后，再除以标准差。将数据变换为均值为0，标准差为1的分布，切记：并非一定是正态的。
目的：消除量纲，便于后续的梯度下降和激活函数对数据的处理。因为标准化后，数据以0为中心左右分布，而函数sigmoid,Tanh,Softmax等也都以0为中心左右分布；
3、中心化 （Zero-centered）
概念：中心化，也叫零均值处理，就是将每个原始数据减去这些数据的均值。因此 中心化后的数据平均值为0，对标准差无要求。
二、为什么要规范化？
如前文所说，归一化/标准化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成"失效"，反而能提高数据的表现，这些性质是归一化/标准化的前提。比如有一个很重要的性质：线性变换不会改变原始数据的数值排序。
1、数据的量纲不同；数量级差别很大
经过规范化处理后，原始数据转化为无量纲化指标测评值，各指标值处于同一数量级别，可进行综合测评分析。
如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。
2、避免数值问题：太大的数会引发数值问题。
3、平衡各特征的贡献
一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。
如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）。
4、一些模型求解的需要：加快了梯度下降求最优解的速度
在使用梯度下降的方法求解最优化问题时， 归一化/标准化后可以加快梯度下降的求解速度，即提升模型的收敛速度。如左图所，未归一化/标准化时形成的等高线偏椭圆，迭代时很有可能走"之"字型路线（垂直长轴），从而导致迭代很多次才能收敛。而如右图对两个特征进行了归一化，对应的等高线就会变圆，在梯度下降进行求解时能较快的收敛。
三、如何选择
1、归一化
- 对输出结果范围有要求
- 数据较为稳定，不存在极端值
- 不涉及距离度量、协方差计算的时候
- 数据不符合正态分布的时候
2、标准化
- 如果数据存在异常值和较多噪音
- 在分类、聚类算法中，需要使用距离来度量相似性，比如SVM、LR、Knn、KMeans
- 使用PCA进行降维的时候，GBDT、 Adaboost
如果无从下手，可以直接标准化
3、不需要标准化的模型
1）模型算法里面没有关于对距离的衡量，没有关于对变量间标准差的衡量
2）概率模型（树形模型）不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、RF。
4、特殊说明
能不归一化最好不归一化，之所以进行数据归一化是因为各个维度的量纲不相同，而且需要看情况进行归一化。
有些模型在各维度进行了不均匀的伸缩之后，最优解与原来不等价(SVM)需要归一化。
有些模型伸缩与原来等价，如：LR则不用归一化，但是实际中往往通过迭代求解模型参数，如果目标函数太扁（想象一下很扁的高斯模型）迭代算法会发生不收敛的情况，所以最好进行数据归一化。
补充：其实本质是由于loss函数不同造成的，SVM用了欧拉距离，如果一个特征很大就会把其他的维度dominated。而LR可以通过权重调整使得损失函数不变。
5、逻辑回归必须要标准化吗
1）取决于我们的逻辑回归是不是用正则
- 如果不用正则， 那么标准化不是必须的
- 如果用正则，那么标准化是必须的
2）如果不用正则，那么标准化对逻辑回归有好处吗？
进行标准化后，我们得出的参数值的大小可以反应出不同特征对样本label的贡献度，方便我们进行特征筛选。如果不做标准化，是不能这样来筛选特征的。
3）做标准化有什么注意事项吗？
最大的注意事项就是先拆分出test集，只在训练集上标准化，即均值和标准差是从训练集中计算出来的，不要在整个数据集上做标准化，因为那样会将test集的信息引入到训练集中，造成了数据信息泄露，这是一个非常容易犯的错误。
三、实现
离散数据编码方式总结(OneHotEncoder、LabelEncoder、OrdinalEncoder、get_dummies、DictVector
数据规范的几种方法，使用Python 的 sklearn 库均可实现
1、归一化
Min-max 规范化将原始数据变换到[0,1]或者[-1,1]的空间中
新数值 =（原数值 - 极小值）/（极大值 - 极小值）
python
# coding:utf-8
from sklearn import preprocessing
import numpy as np
# 初始化数据，每一行表示一个样本，每一列表示一个特征
x = np.array([[ 0., -3., 1.],
[ 3., 1., 2.],
[ 0., 1., -1.]])
# 将数据进行[0,1]规范化
min_max_scaler = preprocessing.MinMaxScaler()
minmax_x = min_max_scaler.fit_transform(x)
print minmax_x
python
运行结果：
[[0. 0. 0.66666667]
[1. 1. 1. ]
[0. 1. 0. ]]2、标准化（Z-Score 规范化）
新数值 =（原数值 - 均值）/ 标准差
优点：算法简单，不受数据量级影响，结果易于比较。将数据转为正态分布。
缺点：需要数据整体的平均值和方差，而且结果没有实际意义，只是用于比较。
1）使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。
python
from sklearn import preprocessing
import numpy as np
# 初始化数据
x = np.array([[ 0., -3., 1.],
[ 3., 1., 2.],
[ 0., 1., -1.]])
# 将数据进行Z-Score规范化
scaled_x = preprocessing.scale(x)
print(scaled_x)
# 均值
print(scaled_x.mean(axiz=0))
# 方差
print(scaled_x.std(axiz=0))
python
运行结果：
[[-0.70710678 -1.41421356 0.26726124]
[ 1.41421356 0.70710678 1.06904497]
[-0.70710678 0.70710678 -1.33630621]]
# 均值
[0.00000000e+00, 0.00000000e+00, 1.48029737e-16]
# 方差
[1., 1., 1.]2）使用sklearn.preprocessing.StandardScaler类
使用该类的好处在于可以保存训练集中的参数（均值、方差），可以直接使用训练集对测试集数据进行转换。
python
scaler = preprocessing.StandardScaler()
scaler_x = scaler.fit_transform(x)
# 直接对测试集数据进行转换
scaler_y = scaler.transform(y)3、 小数定标规范化
通过移动小数点的位置来进行规范化，举个例子，比如属性 A 的取值范围是 -999 到 88，那么最大绝对值为 999，小数点就会移动 3 位，即新数值 = 原数值 /1000。那么 A 的取值范围就被规范化为 -0.999 到 0.088。
python
# coding:utf-8
from sklearn import preprocessing
import numpy as np
# 初始化数据
x = np.array([[ 0., -3., 1.],
[ 3., 1., 2.],
[ 0., 1., -1.]])
# 小数定标规范化
j = np.ceil(np.log10(np.max(abs(x))))
scaled_x = x/(10**j)
print scaled_x
python
运行结果：
[[ 0. -0.3 0.1]
[ 0.3 0.1 0.2]
[ 0. 0.1 -0.1]]四、总结
归一化------能不归一化就不归一化
消除数值大小对结果的影响
把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权
优势：
对梯度下降的算法：加快收敛
对计算距离的算法：提高精度
标准化------更常用
消除数据分布对结果的影响
优势：
对有缺失值和异常值的样本友好
查看特征的贡献度（只对test数据集进行标准化）