数据标准化（拟合的时候使用非常重要）

一、函数作用

这个函数是数据标准化（Z-Score 标准化） 函数，专门对两组数据 x_raw（自变量）做标准化处理，并返回标准化后的数据 + 记录标准化参数的对象。

具体做了这 4 件事：

1. 计算 x_raw 的均值 和标准差
2. 用 Z-Score 公式对两组数据分别标准化：标准化值 = (原始值 - 均值) / 标准差
3. 处理标准差为 0的极端情况（避免除以 0 报错）
4. 返回：标准化后的 x、标准化后的 beta、标准化信息对象（保存均值 / 标准差，方便后续还原数据）

二、核心好处（为什么要写这个函数？）

1. 避免除以 0 错误（鲁棒性强）

代码里做了关键防护：

python

运行

x_scale = float(np.std(x_raw)) or 1.0
if x_scale < 1e-12: x_scale = 1.0

• 如果数据全是同一个数（标准差 = 0），直接把分母设为 1.0
• 不会崩溃、不会产生无穷大数值
• 这是工程化代码必备的容错处理

2. 数据同步标准化，保持一致性

• 同时标准化 x 和 beta
• 适合回归模型、拟合、机器学习场景
• 保证输入和系数在同一量纲体系下计算，结果更稳定

3. 保留标准化参数，支持逆标准化

• x 的均值、x 的标准差
• beta 的均值、beta 的标准差
• 自定义 u 值

用途 ：后续你可以用这些参数，把标准化后的数据还原成原始数据 ，这在模型预测、结果展示时必须用到。

4. 统一量纲，提升模型 / 计算效果

标准化最核心的价值：

• 消除单位不同 （比如米和千克）、数值量级差距大（比如 1 和 10000）的影响
• 让梯度下降、回归、优化算法收敛更快、更稳定
• 避免大数值变量 "主导" 计算结果

5. 代码复用、简洁规范

把标准化逻辑封装成函数：

• 不用重复写均值、标准差计算
• 一处修改，全局生效
• 可读性强，团队协作更方便

---

三、适用场景

这个函数最常用在：

1. 线性回归 / 多项式拟合
2. 机器学习模型训练前的数据预处理
3. 数值优化、方程求解
4. 需要对输入和系数同时归一化的科学计算

---

四、总结

核心一句话

这是一个安全、健壮、可还原 的双变量 Z-Score 标准化函数，专门用于预处理数据，让计算更稳定、模型效果更好，同时避免程序崩溃。

关键优点

1. 防除零错误，代码鲁棒性拉满
2. 同步标准化两组数据，保持一致性
3. 保存标准化参数，支持数据还原
4. 统一量纲，优化模型 / 数值计算效果
5. 封装复用，代码简洁规范

五、测试

import numpy as np


# 定义一个简单的类，用来保存标准化信息（方便后续还原数据）
import numpy as np

# 标准化信息类：保存均值、标准差，方便后续还原数据
class NormalizationInfo:
    def __init__(self, data_mean, data_std, custom_value=0.0):
        self.data_mean = data_mean    # 原始数据的均值（一看就懂）
        self.data_std = data_std      # 原始数据的标准差（一看就懂）
        self.custom_value = custom_value  # 自定义额外参数


def normalize_data(original_data, custom_value=0.0):
    """
    【单变量数据标准化】Z-Score 标准化
    作用：把数据变成 均值=0，标准差=1 的标准分布，消除量纲影响
    自动防止除以0错误，非常稳定

    参数：
        original_data: 原始数据（列表 或 numpy数组）
        custom_value: 可选，自定义额外值
    返回：
        标准化后的数据 + 标准化信息对象
    """
    # 计算原始数据的均值和标准差
    mean_val = np.mean(original_data)
    std_val = np.std(original_data)

    # 安全处理：如果标准差接近0，就设为1，避免除以0报错
    if std_val < 1e-12:
        std_val = 1.0

    # 标准化核心公式
    standardized_data = (original_data - mean_val) / std_val

    # 返回标准化结果 + 记录均值和标准差（用于还原数据）
    return standardized_data, NormalizationInfo(mean_val, std_val, custom_value)


# ===================== 示例使用 =====================
if __name__ == "__main__":
    # 测试用的原始数据
    test_data = np.array([1, 2, 3, 4, 5])

    # 执行标准化
    data_after_standard, standard_info = normalize_data(test_data)

    # 输出结果
    print("原始数据：", test_data)
    print("标准化后：", np.round(data_after_standard, 4))
    print("\n标准化用到的参数：")
    print(f"原始数据均值 = {standard_info.data_mean:.4f}")
    print(f"原始数据标准差 = {standard_info.data_std:.4f}")