数据分析师课|新公布的4个数据预处理标准化方法，这些内容你真的很清楚吗

在数据预处理阶段，特征的标准化有哪些方法?

特征标准化(Feature Standardization)的作用是将样本数据中的每一列特征缩放到一个统一的尺度。方法有很多种，我列几个最常用的。

1、数据预处理标准化方法——最大值最小值标准化

xx是原始数值，x′x′是标准化之后的数值。标准化之后，该列所有的数都将会在[0,1][0,1]之间。当然我们可以稍作调整，把数据缩放到[−1,1][−1,1]的尺度上。

其中，注意以上提到的最大值、最小值，都是指该列的最大值、最小值。

2、数据预处理标准化方法——正态标准化

其中μμ和σσ分别是这列数据的均值和标准差。这个过程就和把一个正态分布标准化的过程是一样的，所以也称作正态标准化(Normalization)。根据正态分布的3σ3σ-原则，我们可以预计，在正态标准化之后，比较接近正态分布的数据在标准化后基本上都会在[−3,3][−3,3]之间。

3、数据预处理标准化方法——分位数标准化

其中IQRIQR是四分位距，也就是第三四分位(3rd quartile)和第一四分位(1st quartile)的差，Median是这一列的中位数。分位数标准化后的数据尺度和数据本身的分散程度相关，但是通常也是在[−3,3][−3,3]的范围内。

4、数据预处理标准化方法——范数标准化

XX是这一列所有的数，∥X∥∥X∥是这一列的范数，可以取1-范数，也可以取2-范数。对特征进行范数标准化之后，这列所有的数值都会是在[0,1][0,1]之间。

以上就是有关于数据预处理标准化方法的相关内容，以及相应的解析，不论你是已经入职数据分析师岗位的新人，还是打算进入数据分析岗位的小白，以上的内容都或多或少会对大家有所帮助，环球网校的小编在这里祝大家的数据分析师职业道路顺利。