标准化
数据分析及建模过程中，许多机器学习算法需要其输入特征为标准化形式。
例如，SVM算法中的RBF核函数，线性模型中的𝑙1、𝑙2正则项，目标函数往往假设其特征均值在0附近且方差齐次；若样本的特征之间的量纲差异太大，样本之间相似度评估结果将存在偏差。
常见数据标准化方法：
Z-Score标准化
Min-Max标准化
1、Z-Score标准化
sklearn.preprocessing.StandardScaler
preprocessing.StandardScaler(
copy=True, #如果为False，尝试避免复制并改为直接替换
with_mean=False, #如果为True，则在缩放之前将数据居中
with_std=False #如果为True，则将数据缩放为单位方差（或单位标准差）
)
对特征取值中的每一个数据点作减去均值并除以标准差的操作，使得处理后的数据具有固定均值和标准差，处理函数为：
𝑓_𝑖′=(𝑓_𝑖−𝜇)/𝜎
其中，𝑓_𝑖′为标准化后各数据点的取值， 𝑓_𝑖为原始各数据点取值，𝜇为该特征取值的平均值，𝜎为该特征取值的标准差。
适用于特征的最大值或最小值未知、样本分布非常离散的情况。
2、Min-Max标准化
sklearn.preprocessing.MinMaxScaler
preprocessing.MinMaxScaler(
feature_range=(0, 1), #期望的转换数据范围
copy=True #设置为False以执行就地标准化并避免复制
)
Min-Max标准化（离差标准化或最大-最小值标准化）通过对特征作线性变换，使得转换后特征的取值分布在 [0,1] 区间内。
𝑓_𝑖*=(𝑓_𝑖−𝑓_𝑚𝑖𝑛)/(𝑓_𝑚𝑎𝑥−𝑓_𝑚𝑖𝑛 )
将特征𝑓映射到 [a,b] 区间内：
𝑓_𝑖*=(b−a)/(𝑓_𝑚𝑎𝑥−𝑓_𝑚𝑖𝑛 ) (𝑓_𝑖−𝑓_𝑚𝑖𝑛 )+a
𝑓_𝑚𝑖𝑛为特征的最小值，𝑓_𝑚𝑎𝑥为特征的最大值
若数据存在离群值，标准化后的效果较差。
3、考虑离群值的标准化
sklearn.preprocessing.RobustScaler
preprocessing.RobustScaler(
with_centering=False, #如果为True，则在标准化之前将数据居中
with_scaling=False, #如果为True，则将数据缩放到分位数范围
quantile_range=(25.0, 75.0), #用于计算scale_的分位数范围
copy=True #如果为False，请尝试避免复制并改为直接替换
)
4、方法：
fit(X[, y]) #计算均值和方差。
fit_transform(X[, y]) #计算均值和方差并执行标准化。
inverse_transform(X[, copy]) #将已标准化的数据转换为原始表示。
partial_fit(X[, y]) #inline计算X上的mean和std。
transform(X[, y, copy]) #执行标准化。