分析标准化的方法

1. 如何标准化的分析一个人

正确分析一个人的性格，首先要了解不同人的不同性格特征以及其所出现的行为等等。 人的性格分很多种，而且一个人你的性格还受到他或她的生长环境、家庭教育、生活习性等等因素的影响。只有把他的行为举止，言谈话语（指通常上会表现出的）加以收集，仔细分析对照，才能较准确的判断一个人。 性格能改变人的一生，因此判断一个人的性格也不要轻易地去下结论。因为人有多面性。

2. geo数据库数据如何标准化

标准化的方法就是Counts值：

对给定的基因组参考区域，计算比对上的read数，又称为raw count（RC）。

aw count作为原始的read计数矩阵是一个绝对值，而绝对值的特点是基因长度、测序深度不同不可以比较。所以我们要进行标准化把count矩阵转变为相对值，去除基因长度、测序深度的影响，我们采用分析的。

标准化的三种方法得出的三种值：

RPM (Reads per million mapped reads)：RPM方法：10^6标准化了测序深度的影响，但没有考虑转录本的长度的影响。

RPKM/FPKM方法：

103标准化了基因长度的影响，106标准化了测序深度的影响。TCGA的数据分析多采用这种结果。

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

具体判断方法：

表达量是否需要重新标准化。

可以通过boxplot函数观察一下样本表达丰度值的分布是否整齐进行判断。

是否需要log2:根据数据值的大小。

如果表达丰度的数值在50以内，通常是经过log2转化的。如果数字在几百几千，则是未经转化的。

3. 几种常见的数据标准化的方法总结！

一、标准化

在进行数据分析时，数据具有单位是非常常见的，比如说GDP可以以亿作为单元，也可以以百万作为单位，那么此时就会出现由于单位问题导致的数字大小问题；这种情况对于分析可能产生影响，因此需要对其进行处理，但是处理的前提是不能失去数字的相对意义，即之前数字越大代表GDP越高，处理后的数据也不能失去这个特性。

也或者计算距离，数字1和2的距离可以直接相减得到距离值为1； 另外一组数据为10000和20000，两个数字直接相减得到距离值为10000。如果说距离数字越大代表距离越远，那么明显的10000大于1，但这种情况仅仅是由于数据单位导致的，而并非实际希望如何。类似这些情况要进行数据分析之前，有时候需要先将数据标准化，数据的标准化就是通过一定的数学变换方式，对原始数据进行一定的转换，使原始数据转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，这样可以进行综合分析和比较。

二、几种数据标准化的方法

（1）标准化

标准化 是一种最为常见的量纲化处理方式。其计算公式为：

此种处理方式会让数据呈现出一种特征，即数据的平均值一定为0，标准差一定是1。针对数据进行了压缩大小处理，同时还让数据具有特殊特征（平均值为0标准差为1）。

在很多研究算法中均有使用此种处理，比如聚类分析前一般需要进行标准化处理，也或者因子分析时默认会对数据标准化处理。

比如聚类分析时，其内部算法原理在于距离大小来衡量数据间的聚集关系，因此默认SPSSAU会选中进行标准化处理。

除此之外，还有一些特殊的研究方法，比如社会学类进行中介作用，或者调节作用研究时，也可能会对数据进行标准化处理。

（2） 归一化

归一化 的目的是让数据压缩在【0，1】范围内，包括两个边界数字0和数字1；其计算公式为：

当某数据刚好为最小值时，则归一化后为0；如果数据刚好为最大值时，则归一化后为1。

归一化也是一种常见的量纲处理方式，可以让所有的数据均压缩在【0，1】范围内，让数据之间的数理单位保持一致。

（3）中心化

中心化 这种量纲处理方式可能在社会科学类研究中使用较多，比如进行中介作用，或者调节作用研究。其计算公式为：x-μ。

此种处理方式会让数据呈现出一种特征，即数据的平均值一定为0。针对数据进行了压缩大小处理，同时还让数据具有特殊特征（平均值为0）。

平均值为0是一种特殊情况，比如在社会学研究中就偏好此种量纲处理方式，调节作用研究时可能会进行简单斜率分析，那么平均值为0表示中间状态，平均值加上一个标准差表示高水平状态；也或者平均值减一个标准差表示低水平状态。

三、使用SPSSAU进行标准化操作

以上提到的几种数据标准化处理的方法，在 SPSSAU 中的【数据处理】->【生成变量】都有提供，如图所示：

不同的数据标准化的操作过程都是一样的，以下以最常用的Z标准化来说明如何对数据进行标准化。

（1）案例数据

下图是部分案例数据，希望对X变量和Y变量的数据进行标准化处理。

（2）上传数据到SPSSAU

（3）标准化处理步骤

1、选中SPSSAU【数据处理】-【生成变量】

2、右侧选项卡选择标准化（S）

选中想要进行标准化的数据：

点击【确认处理】，SPSSAU会生成新的进行标准化处理后的两个变量，而非原始数据基础上修改。

这样就完成了对数据的标准化处理，得出标准化的数据后，就可以进行后续的分析了。

在实际研究时具体应该使用哪一种处理方式，其实并没有固定的要求，而是结合实际情况或者实际研究进行。比如社会学类的中介作用和调节作用偏好于使用中心化或标准化这种处理方式；聚类分析或者因子分析等使用默认会使用标准化。

4. 用spss做主成分分析时怎么将原始数据标准化

具体步骤如下：1.用SPSS提取出两个主成分，Z1,Z2；2.用Z1,Z2对Y做多元线性回归；3.分析前将数据用SPSS标准化是为了解决不同自变量（比如人民币汇率，国民生产总值）的单位不一样没有办法综合在一起的这个问题；4.最后模型里把数据代回来（求出原自变量的系数）的方法很简单，只需要把主成分用原始变量的线性组合就行，这样自然就在方程中出现的都是原始自变量了，不过，要注意这个时候带入方程的也是原始自变量标准化之后的数值才行，而不能直接用原始数值。有不明白的地方可以在网络空间给我留言

5. 数据标准化的几种方法

在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。
一、Min-max 标准化
min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：
新数据=（原数据-极小值）/（极大值-极小值）
二、z-score 标准化
这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。
z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
新数据=（原数据-均值）/标准差
spss默认的标准化方法就是z-score标准化。
用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下：1.求出各变量（指标）的算术平均值（数学期望）xi和标准差si ；2.进行标准化处理：zij=（xij－xi）/si其中：zij为标准化后的变量值；xij为实际变量值。3.将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。
三、Decimal scaling小数定标标准化
这种方法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用decimal scaling标准化到x'的计算方法是：
x'=x/(10^j)
其中，j是满足条件的最小整数。
例如 假定A的值由-986到917，A的最大绝对值为986，为使用小数定标标准化，我们用1000（即，j=3）除以每个值，这样，-986被规范化为-0.986。
注意，标准化会对原始数据做出改变，因此需要保存所使用的标准化方法的参数，以便对后续的数据进行统一的标准化。
除了上面提到的数据标准化外还有对数Logistic模式、模糊量化模式等等：
对数Logistic模式：新数据=1/（1+e^(-原数据)）
模糊量化模式：新数据=1/2+1/2sin[派3.1415/（极大值-极小值）*（X-（极大值-极小值）/2） ] X为原数据

6. 数据分析：数据预处理--标准化方法优劣了解（二）

上一篇 数据分析：数据预处理--标准化初解释（一） 是在R中初步实现计算各类标准化的方法，没进一步分析为何要标准的原因，这一次我们借用两个标准化方法极值标准化和Zscore标准化重新解析标准化的原因。更多知识分享请到 https://zouhua.top/ 。

在构建模型过程中，通常使用多变量作为自变量去预测结果，多变量很多时候是具有多个不同的单位和量纲的。如果使用原始值去构建模型或做预测，这会导致每个变量对结果的贡献度不一致，因此常需要对自变量做 transform和standardization。

比如变量A的范围是0-1,000,000；变量B的范围是0-100，在没标准化前，它们对结果的贡献度是不同的。

Notes: 每个变量的范围在[0, 1]之间。极值标准化的缺点是会将数据拉向均值，对离群点不敏感，相反Zscore则考虑到极值的影响（通过除以标准差实现该效果）。

scale函数可用于zscore标准化。

很多时候数据是偏斜分布的(左右两个分布是偏态分布，中间是正态分布)。通常使用log2转换使得其分布符合正态分布。

最近看到一篇文献对数据做了log2transform+median normalization。

质谱数据（蛋白质组+代谢组）的intensity数值是整型且数目巨大，先使用log2transform一可以降低量纲影响二可以使得数据分布服从正态分布。

后面再做median normalization是排除log2transform后数据对预测结果仍然贡献不一致。

问题来了，缺失值该如何处理呢？

7. 用spss怎样对数据进行标准化

1、打开spss，将界面切换到变量视图。在编辑栏目创建观测指标及类型。示例创建两个指标，一个作为自变量，另外一个作为因变量，分别是gpd和urbanization，代表人均gdp和城市化水平。

8. 分析方法标准化

分析方法标准化：
1、分析方法标准化，由国家标准化委员会负责监督管理；
2、分析方法标准化，是分析方法的统一性，为具有检测结果的可比性提供必要条件；
3、分析方法标准化，为执行依据的质量标准，是首要依据。
4、检测机构都要依据国家公布的方法标准，进行验证试验，以保证检测结果的准确性、可比性。

9. 几种常用数据标准化方法

评价是现代社会各领域的一项经常性的工作，是科学做出管理决策的重要依据。随着人们研究领域的不断扩大，所面临的评价对象日趋复杂，如果仅依据单一指标对事物进行评价往往不尽合理，必须全面地从整体的角度考虑问题，多指标综合评价方法应运而生。所谓多指标综合评价方法，就是把描述评价对象不同方面的多个指标的信息综合起来，并得到一个综合指标，由此对评价对象做一个整体上的评判，并进行横向或纵向比较。

而在 多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，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。 因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。

目前数据标准化方法有多种，归结起来可以分为直线型方法(如极值法、标准差法)、折线型方法(如三折线法)、曲线型方法(如半正态性分布)。不同的标准化方法，对系统的评价结果会产生不同的影响，然而不幸的是， 在数据标准化方法的选择上，还没有通用的法则可以遵循。

数据的标准化(normalization)是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上，常见的数据归一化的方法有：min-max标准化（Min-max normalization），log函数转换，atan函数转换，z-score标准化（zero-mena normalization，此方法最为常用），模糊量化法。本文只介绍min-max法（规范化方法），z-score法（正规化方法），比例法（名字叫啥不太清楚，归一化方法）。

也叫离差标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下:

通过以10为底的log函数转换的方法同样可以实现归一下，具体方法看了下网上很多介绍都是 x =log10(x) ，其实是有问题的，这个结果并非一定落到[0,1]区间上， 应该还要除以log10(max) *，max为样本数据最大值，并且所有的数据都要大于等于1。

用反正切函数也可以实现数据的归一化，使用这个方法需要注意的是如果想映射的区间为[0,1]，则 数据都应该大于等于0，小于0的数据将被映射到[-1,0]区间上。

而并非所有数据标准化的结果都映射到[0,1]区间上，其中最常见的标准化方法就是Z标准化；也是SPSS中最为常用的标准化方法，也叫 标准差标准化 ，