分析標准化的方法

1. 如何標准化的分析一個人

正確分析一個人的性格，首先要了解不同人的不同性格特徵以及其所出現的行為等等。 人的性格分很多種，而且一個人你的性格還受到他或她的生長環境、家庭教育、生活習性等等因素的影響。只有把他的行為舉止，言談話語（指通常上會表現出的）加以收集，仔細分析對照，才能較准確的判斷一個人。 性格能改變人的一生，因此判斷一個人的性格也不要輕易地去下結論。因為人有多面性。

2. geo資料庫數據如何標准化

標准化的方法就是Counts值：

對給定的基因組參考區域，計算比對上的read數，又稱為raw count（RC）。

aw count作為原始的read計數矩陣是一個絕對值，而絕對值的特點是基因長度、測序深度不同不可以比較。所以我們要進行標准化把count矩陣轉變為相對值，去除基因長度、測序深度的影響，我們採用分析的。

標准化的三種方法得出的三種值：

RPM (Reads per million mapped reads)：RPM方法：10^6標准化了測序深度的影響，但沒有考慮轉錄本的長度的影響。

RPKM/FPKM方法：

103標准化了基因長度的影響，106標准化了測序深度的影響。TCGA的數據分析多採用這種結果。

TPM (Transcript per million)：TPM的計算方法也同RPKM/FPKM類似，TPM可以看作是RPKM/FPKM值的百分比。

具體判斷方法：

表達量是否需要重新標准化。

可以通過boxplot函數觀察一下樣本表達豐度值的分布是否整齊進行判斷。

是否需要log2:根據數據值的大小。

如果表達豐度的數值在50以內，通常是經過log2轉化的。如果數字在幾百幾千，則是未經轉化的。

3. 幾種常見的數據標准化的方法總結！

一、標准化

在進行數據分析時，數據具有單位是非常常見的，比如說GDP可以以億作為單元，也可以以百萬作為單位，那麼此時就會出現由於單位問題導致的數字大小問題；這種情況對於分析可能產生影響，因此需要對其進行處理，但是處理的前提是不能失去數字的相對意義，即之前數字越大代表GDP越高，處理後的數據也不能失去這個特性。

也或者計算距離，數字1和2的距離可以直接相減得到距離值為1； 另外一組數據為10000和20000，兩個數字直接相減得到距離值為10000。如果說距離數字越大代表距離越遠，那麼明顯的10000大於1，但這種情況僅僅是由於數據單位導致的，而並非實際希望如何。類似這些情況要進行數據分析之前，有時候需要先將數據標准化，數據的標准化就是通過一定的數學變換方式，對原始數據進行一定的轉換，使原始數據轉換為無量綱化指標測評值，即各指標值都處於同一個數量級別上，這樣可以進行綜合分析和比較。

二、幾種數據標准化的方法

（1）標准化

標准化 是一種最為常見的量綱化處理方式。其計算公式為：

此種處理方式會讓數據呈現出一種特徵，即數據的平均值一定為0，標准差一定是1。針對數據進行了壓縮大小處理，同時還讓數據具有特殊特徵（平均值為0標准差為1）。

在很多研究演算法中均有使用此種處理，比如聚類分析前一般需要進行標准化處理，也或者因子分析時默認會對數據標准化處理。

比如聚類分析時，其內部演算法原理在於距離大小來衡量數據間的聚集關系，因此默認SPSSAU會選中進行標准化處理。

除此之外，還有一些特殊的研究方法，比如社會學類進行中介作用，或者調節作用研究時，也可能會對數據進行標准化處理。

（2） 歸一化

歸一化 的目的是讓數據壓縮在【0，1】范圍內，包括兩個邊界數字0和數字1；其計算公式為：

當某數據剛好為最小值時，則歸一化後為0；如果數據剛好為最大值時，則歸一化後為1。

歸一化也是一種常見的量綱處理方式，可以讓所有的數據均壓縮在【0，1】范圍內，讓數據之間的數理單位保持一致。

（3）中心化

中心化 這種量綱處理方式可能在社會科學類研究中使用較多，比如進行中介作用，或者調節作用研究。其計算公式為：x-μ。

此種處理方式會讓數據呈現出一種特徵，即數據的平均值一定為0。針對數據進行了壓縮大小處理，同時還讓數據具有特殊特徵（平均值為0）。

平均值為0是一種特殊情況，比如在社會學研究中就偏好此種量綱處理方式，調節作用研究時可能會進行簡單斜率分析，那麼平均值為0表示中間狀態，平均值加上一個標准差表示高水平狀態；也或者平均值減一個標准差表示低水平狀態。

三、使用SPSSAU進行標准化操作

以上提到的幾種數據標准化處理的方法，在 SPSSAU 中的【數據處理】->【生成變數】都有提供，如圖所示：

不同的數據標准化的操作過程都是一樣的，以下以最常用的Z標准化來說明如何對數據進行標准化。

（1）案例數據

下圖是部分案例數據，希望對X變數和Y變數的數據進行標准化處理。

（2）上傳數據到SPSSAU

（3）標准化處理步驟

1、選中SPSSAU【數據處理】-【生成變數】

2、右側選項卡選擇標准化（S）

選中想要進行標准化的數據：

點擊【確認處理】，SPSSAU會生成新的進行標准化處理後的兩個變數，而非原始數據基礎上修改。

這樣就完成了對數據的標准化處理，得出標准化的數據後，就可以進行後續的分析了。

在實際研究時具體應該使用哪一種處理方式，其實並沒有固定的要求，而是結合實際情況或者實際研究進行。比如社會學類的中介作用和調節作用偏好於使用中心化或標准化這種處理方式；聚類分析或者因子分析等使用默認會使用標准化。

4. 用spss做主成分分析時怎麼將原始數據標准化

具體步驟如下：1.用SPSS提取出兩個主成分，Z1,Z2；2.用Z1,Z2對Y做多元線性回歸；3.分析前將數據用SPSS標准化是為了解決不同自變數（比如人民幣匯率，國民生產總值）的單位不一樣沒有辦法綜合在一起的這個問題；4.最後模型里把數據代回來（求出原自變數的系數）的方法很簡單，只需要把主成分用原始變數的線性組合就行，這樣自然就在方程中出現的都是原始自變數了，不過，要注意這個時候帶入方程的也是原始自變數標准化之後的數值才行，而不能直接用原始數值。有不明白的地方可以在網路空間給我留言

5. 數據標准化的幾種方法

在數據分析之前，我們通常需要先將數據標准化（normalization），利用標准化後的數據進行數據分析。數據標准化也就是統計數據的指數化。數據標准化處理主要包括數據同趨化處理和無量綱化處理兩個方面。數據同趨化處理主要解決不同性質數據問題，對不同性質指標直接加總不能正確反映不同作用力的綜合結果，須先考慮改變逆指標數據性質，使所有指標對測評方案的作用力同趨化，再加總才能得出正確結果。數據無量綱化處理主要解決數據的可比性。數據標准化的方法有很多種，常用的有「最小—最大標准化」、「Z-score標准化」和「按小數定標標准化」等。經過上述標准化處理，原始數據均轉換為無量綱化指標測評值，即各指標值都處於同一個數量級別上，可以進行綜合測評分析。
一、Min-max 標准化
min-max標准化方法是對原始數據進行線性變換。設minA和maxA分別為屬性A的最小值和最大值，將A的一個原始值x通過min-max標准化映射成在區間[0,1]中的值x'，其公式為：
新數據=（原數據-極小值）/（極大值-極小值）
二、z-score 標准化
這種方法基於原始數據的均值（mean）和標准差（standard deviation）進行數據的標准化。將A的原始值x使用z-score標准化到x'。
z-score標准化方法適用於屬性A的最大值和最小值未知的情況，或有超出取值范圍的離群數據的情況。
新數據=（原數據-均值）/標准差
spss默認的標准化方法就是z-score標准化。
用Excel進行z-score標准化的方法：在Excel中沒有現成的函數，需要自己分步計算，其實標准化的公式很簡單。步驟如下：1.求出各變數（指標）的算術平均值（數學期望）xi和標准差si ；2.進行標准化處理：zij=（xij－xi）/si其中：zij為標准化後的變數值；xij為實際變數值。3.將逆指標前的正負號對調。標准化後的變數值圍繞0上下波動，大於0說明高於平均水平，小於0說明低於平均水平。
三、Decimal scaling小數定標標准化
這種方法通過移動數據的小數點位置來進行標准化。小數點移動多少位取決於屬性A的取值中的最大絕對值。將屬性A的原始值x使用decimal scaling標准化到x'的計算方法是：
x'=x/(10^j)
其中，j是滿足條件的最小整數。
例如 假定A的值由-986到917，A的最大絕對值為986，為使用小數定標標准化，我們用1000（即，j=3）除以每個值，這樣，-986被規范化為-0.986。
注意，標准化會對原始數據做出改變，因此需要保存所使用的標准化方法的參數，以便對後續的數據進行統一的標准化。
除了上面提到的數據標准化外還有對數Logistic模式、模糊量化模式等等：
對數Logistic模式：新數據=1/（1+e^(-原數據)）
模糊量化模式：新數據=1/2+1/2sin[派3.1415/（極大值-極小值）*（X-（極大值-極小值）/2） ] X為原數據

6. 數據分析：數據預處理--標准化方法優劣了解（二）

上一篇 數據分析：數據預處理--標准化初解釋（一） 是在R中初步實現計算各類標准化的方法，沒進一步分析為何要標準的原因，這一次我們借用兩個標准化方法極值標准化和Zscore標准化重新解析標准化的原因。更多知識分享請到 https://zouhua.top/ 。

在構建模型過程中，通常使用多變數作為自變數去預測結果，多變數很多時候是具有多個不同的單位和量綱的。如果使用原始值去構建模型或做預測，這會導致每個變數對結果的貢獻度不一致，因此常需要對自變數做 transform和standardization。

比如變數A的范圍是0-1,000,000；變數B的范圍是0-100，在沒標准化前，它們對結果的貢獻度是不同的。

Notes: 每個變數的范圍在[0, 1]之間。極值標准化的缺點是會將數據拉向均值，對離群點不敏感，相反Zscore則考慮到極值的影響（通過除以標准差實現該效果）。

scale函數可用於zscore標准化。

很多時候數據是偏斜分布的(左右兩個分布是偏態分布，中間是正態分布)。通常使用log2轉換使得其分布符合正態分布。

最近看到一篇文獻對數據做了log2transform+median normalization。

質譜數據（蛋白質組+代謝組）的intensity數值是整型且數目巨大，先使用log2transform一可以降低量綱影響二可以使得數據分布服從正態分布。

後面再做median normalization是排除log2transform後數據對預測結果仍然貢獻不一致。

問題來了，缺失值該如何處理呢？

7. 用spss怎樣對數據進行標准化

1、打開spss，將界面切換到變數視圖。在編輯欄目創建觀測指標及類型。示例創建兩個指標，一個作為自變數，另外一個作為因變數，分別是gpd和urbanization，代表人均gdp和城市化水平。

8. 分析方法標准化

分析方法標准化：
1、分析方法標准化，由國家標准化委員會負責監督管理；
2、分析方法標准化，是分析方法的統一性，為具有檢測結果的可比性提供必要條件；
3、分析方法標准化，為執行依據的質量標准，是首要依據。
4、檢測機構都要依據國家公布的方法標准，進行驗證試驗，以保證檢測結果的准確性、可比性。

9. 幾種常用數據標准化方法

評價是現代社會各領域的一項經常性的工作，是科學做出管理決策的重要依據。隨著人們研究領域的不斷擴大，所面臨的評價對象日趨復雜，如果僅依據單一指標對事物進行評價往往不盡合理，必須全面地從整體的角度考慮問題，多指標綜合評價方法應運而生。所謂多指標綜合評價方法，就是把描述評價對象不同方面的多個指標的信息綜合起來，並得到一個綜合指標，由此對評價對象做一個整體上的評判，並進行橫向或縱向比較。

而在 多指標評價體系中，由於各評價指標的性質不同，通常具有不同的量綱和數量級。當各指標間的水平相差很大時，如果直接用原始指標值進行分析，就會突出數值較高的指標在綜合分析中的作用，相對削弱數值水平較低指標的作用。 因此，為了保證結果的可靠性，需要對原始指標數據進行標准化處理。

目前數據標准化方法有多種，歸結起來可以分為直線型方法(如極值法、標准差法)、折線型方法(如三折線法)、曲線型方法(如半正態性分布)。不同的標准化方法，對系統的評價結果會產生不同的影響，然而不幸的是， 在數據標准化方法的選擇上，還沒有通用的法則可以遵循。

數據的標准化(normalization)是將數據按比例縮放，使之落入一個小的特定區間。在某些比較和評價的指標處理中經常會用到，去除數據的單位限制，將其轉化為無量綱的純數值，便於不同單位或量級的指標能夠進行比較和加權。其中最典型的就是數據的歸一化處理，即將數據統一映射到[0,1]區間上，常見的數據歸一化的方法有：min-max標准化（Min-max normalization），log函數轉換，atan函數轉換，z-score標准化（zero-mena normalization，此方法最為常用），模糊量化法。本文只介紹min-max法（規范化方法），z-score法（正規化方法），比例法（名字叫啥不太清楚，歸一化方法）。

也叫離差標准化，是對原始數據的線性變換，使結果落到[0,1]區間，轉換函數如下:

通過以10為底的log函數轉換的方法同樣可以實現歸一下，具體方法看了下網上很多介紹都是 x =log10(x) ，其實是有問題的，這個結果並非一定落到[0,1]區間上， 應該還要除以log10(max) *，max為樣本數據最大值，並且所有的數據都要大於等於1。

用反正切函數也可以實現數據的歸一化，使用這個方法需要注意的是如果想映射的區間為[0,1]，則 數據都應該大於等於0，小於0的數據將被映射到[-1,0]區間上。

而並非所有數據標准化的結果都映射到[0,1]區間上，其中最常見的標准化方法就是Z標准化；也是SPSS中最為常用的標准化方法，也叫 標准差標准化 ，