数据规范化常用方法有

1. 数据标准化的几种方法

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)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：其中max为样本数据的最大值，min为样本数据的最小值。log函数转换通过以10为底的log函数转换的方法同样可以实现归一下，具体方法如下：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。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：z-score
标准化(zero-mean
normalization)也叫标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

2. 常见的数据标准化方法和其公式以及优缺点

一、直线型无量纲化方法：又包括阀值法、指数法、标准化方法、比重法。二、折线型无量纲化方法：凸折线型法、凹折线型法、三折线型法。三、曲线型无量纲化方法 。目前常见的无量纲化处理方法主要有极值化、标准化、均值化以及标准差化方法,而最常使用的是标准化方法。但标准化方法处理后的各指标均值都为0,标准差都为1,它只反映了各指标之间的相互影响,在无量纲化的同时也抹杀了各指标之间变异程度上的差异,因此,标准化方法并不适用于多指标的综合评价中。而经过均值化方法处理的各指标数据构成的协方差矩阵既可以反映原始数据中各指标变异程度上的差异,也包含各指标相互影响程度差异的信息。四、数据标准化的方法： 1、对变量的离差标准化离差标准化是将某变量中的观察值减去该变量的最小值，然后除以该变量的极差。即 x’ik＝[xik －Min (xk)]／Rk 经过离差标准化后，各种变量的观察值的数值范围都将在〔0，1〕之间，并且经标准化的数据都是没有单位的纯数量。离差标准化是消除量纲（单位）影响和变异大小因素的影响的最简单的方法。 有一些关系系数（例如绝对值指数尺度）在定义时就已经要求对数据进行离差标准化，但有些关系系数的计算公式却没有这样要求，当选用这类关系系数前，不妨先对数据进行标准化，看看分析的结果是否为有意义的变化。 2，对变量的标准差标准化标准差标准化是将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即 x’ik ＝ (xik － )／sk 经过标准差标准化后，各变量将有约一半观察值的数值小于0，另一半观察值的数值大于0，变量的平均数为0，标准差为1。经标准化的数据都是没有单位的纯数量。对变量进行的标准差标准化可以消除量纲（单位）影响和变量自身变异的影响。但有人认为经过这种标准化后，原来数值较大的的观察值对分类结果的影响仍然占明显的优势，应该进一步消除大小因子的影响。尽管如此，它还是当前用得最多的数据标准化方法。 3，先对事例进行标准差标准化，再对变量进行标准差标准化第一步，先对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。即 x’ik ＝ (xik － )／si 第二步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即 x’’ik ＝ (x’ik － ’k)／s’k 使用这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。 4，先对变量、后对事例、再对变量的标准差标准化这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。具体做法是：第一步，先对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即 x’ik ＝ (xik － )／sk 第二步，后对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。即 x’’ik ＝ (x’ik － ’i)／s’i 第三步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即 x’’’ik ＝ (x’’ik － ’’k)／s’’k 进行了前两步之后，还要进行第三步的原因，主要是为了计算的方便。

3. 数据规范化名词解释

数据在应用过程中相对比较繁杂。为了能够更好的应用数据，并以需要进行格式化的排列，以橡高返备不时之需。简称数据规范化。

数据规范化处理是数据挖掘的一项基本操作。现实中，数据中不同特征的量纲可能不一致，数值间的差别可能很大，不进行处理可能会影响到数据分析的结果，因此，需要对数据按照一定比例进行缩放，使之落在一个特定的区域，便于进行综合分析。

特别是基于距离的挖掘方法，在建模前一定要对数据进行规范化处理，如SVM，KNN，K-means，聚类等方法。

(3)数据规范化常用方法有扩展阅读：

数据规范化的几种方法：

在数据分析之前，都需要让数据满足一定的规律，达到规范性的要求，便于进行挖掘。

如果不进行变换的话，要不就是维数过多增加了计算成本，要不就是数据过于集中，很难找到数据之间的特征。

在数据变换中，重点是如何将数值进行规范化，有三种常用的规范方法，分别是Min-Max规范化、Z-Score规范化、小数定标规范化。

1.Min-max规范化：

将原始数据投射到指定的空间[min,max]。可用公式表示为：

新数值 = （原数值-极小值）/ (极大值 - 极小值) 。

SciKit-Learn中的MinMaxScaler可以完成这个功能。

2.Z-Score规范化：

将原始数据转换为正态分布的形式，使结果易于比较。可用公式表示为：

新数值 = （原数值 - 均值）/ 标准差。

在SciKit-Learn中的preprocessing.scale()可以直接将给定数据进行Z-Score规范化。

3.小数定标规范梁饥化：

通过移动小数点的位置来进行规范化。小数点移动的位数取决于该属性数据取值的最大绝对值。

例念搭如：属性A的取值范围是-800到70，那么就可以将数据的小数点整体向左移三位即[-0.8,0.07]。

参考资料来源：网络-数据标准化

4. 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

5. 何谓数据规范化规范化的方法有哪些

规范化理论把关系应满足的规范要求分为几级，满足最低要求的一级叫做第一范式(1NF)，在第一范式的基础上提出了第二范式(2NF)，在第二范式的基础上又提出了第三范式(3NF)，以后又提出了BCNF范式，4NF，5NF。范式的等级越高，应满足的约束集条件也越严格。

第一范式（1NF）
在关系模式R中中，如果每个属性值都是不可再分的原子属性，则称R是第一范式的关系[2]。例如：关系R（职工号，姓名，电话号码）中一个人可能有一个办公室电话和一个住宅电话号码，规范成为1NF的方法一般是将电话号码分为单位电话和住宅电话两个属性，即 R（职工号，姓名，办公电话，住宅电话）。1NF是关系模式的最低要求。

第二范式（2NF）
如果关系模式R是1NF且其中的所有非主属性都完全函数依赖于关键字，则称关系R 是属于第二范式的[2]。例：选课关系 SC（SNO，CNO，GRADE，CREDIT）其中SNO为学号， CNO为课程号，GRADEGE 为成绩，CREDIT 为学分。 由以上条件，关键字为组合关键字（SNO，CNO）。在应用中使用以上关系模式有以下问题： （1）数据冗余，假设同一门课由40个学生选修，学分就重复40次；（2）更新复杂，若调整了某课程的学分，相应元组的CREDIT值都要更新，有可能会出现同一门课学分不同；（3）插入异常，如计划开新课，由于没人选修，没有学号关键字，只能等有人选修才能把课程和学分存入；（4）.删除异常，若学生已经结业，从当前数据库删除选修记录，而某些课程新生尚未选修，则此门课程及学分记录无法保存。以上问题产生的原因是非主属性CREDIT仅函数依赖于CNO，也就是CREDIT部分依赖组合关键字（SNO，CNO）而不是完全依赖。解决方法是将以上关系分解成两个关系模式 SC（SNO，CNO，GRADE）和C（CNO，CREDIT）。新关系包括两个关系模式，它们之间通过SC中的外键CNO相联系，需要时再进行自然联接，恢复原来的关系

第三范式（3NF）
如果关系模式R是2NF且其中的所有非主属性都不传递依赖于码，则称关系R是属于第三范式的[1]。例如关系模式S（SNO，SNAME，DNO，DNAME，LOCATION）中各属性分别代表学号、姓名、所在系、系名称、系地址。关键字SNO决定各个属性。由于是单个关键字，没有部分依赖的问题，肯定是2NF。但关系S肯定有大量的冗余，有关学生所在系的几个属性DNO，DNAME，LOCATION将重复存储，插入、删除和修改时也将产生类似以上例的情况。原因在于关系中存在传递依赖，即SNO -> DNO，DNO -> LOCATION, 因此关键字SNO对LOCATION函数决定是通过传递依赖SNO -> LOCATION 实现的。也就是说，SNO不直接决定非主属性LOCATION。解决方法是将该关系模式分解为两个关系S（SNO，SNAME，DNO）和D（DNO，DNAME，LOCATION），两个关系通过S中的外键DNO联系。

BC范式(BCNF)
如果关系模式R的所有属性（包括主属性和非主属性）都不传递依赖于R的任何候选关键字，那么称关系R是属于BCNF的。或者说关系模式R中，如果每个决定因素都包含关键字（而不是被关键字所包含），则R是BCNF[3]。 通常认为BCNF是修正的第三范式，有时也称为扩充的第三范式。

6. 数据标准化有几种方法

方法一：规范化方法

也叫离差标准化，是对原始数据的线性变换，使结果映射到[0,1]区间。

方法二：正规化方法

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。
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。

7. 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 ，

8. 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。