该小节讲解一下归一化以及标准化对比。

归一化

我们先看看归一化的计算。下面是他的公式（没必要琢磨，往下看，学习讲究效率）：

那么针对这个公式怎么把结果计算出来？我们先看看归一化的结果，使用API：
模块导入：

							（预处理）	（最小最大的缩放）
sklearn归一化API:  sklearn.preprocessing.MinMaxScaler

用法：

MinMaxScalar(feature_range=(0,1)…)
每个特征缩放到给定范围(默认[0,1])

MinMaxScalar.fit_transform(X)       
X:numpy array格式的数据[n_samples,n_features]
返回值：转换后的形状相同的array

知道用法之后，我们实现一个如下的归一化（其是作用于没一列）：

1、实例化MinMaxScalar
2、通过fit_transform转换

数据
[[90,2,10,40],
[60,4,15,45],
[75,3,13,46]]

注意，这里的数据和我们特征抽取的数据是不一样的，在对数据预处理的时候，在这里使用的是二位数组，编写程序如下：

from sklearn.preprocessing import MinMaxScaler

def mm():
    """
    归一化处理
    :return: 
    """

	#默认为0-1
    mm = MinMaxScaler()
    data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
    print(data)
    return None
    
if __name__ == '__main__':
	mm()

执行之后，得到如下打印信息：

[[1.         0.         0.         0.        ]
 [0.         1.         1.         0.83333333]
 [0.5        0.5        0.6        1.        ]]

上面是默认的缩放范围，如果我们把缩放范围改为1-3：

-   mm = MinMaxScaler()
+   mm = MinMaxScaler(feature_range=(2,3))

重新运行，得到如下打印信息：

[[3.         2.         2.         2.        ]
 [2.         3.         3.         2.83333333]
 [2.5        2.5        2.6        3.        ]]

其下是具体计算过程:

那么上面这些处理有什么用？在什么时候我们才会用到所谓的归一化？下面是一个案例：

上面的数据都是男士的数据，

三个特征：玩游戏所消耗时间的百分比、每年获得的飞行常客里程数、每周消费的冰淇淋公升数。
所属类别：被女士评价的三个类别，不喜欢didnt、魅力一般small、极具魅力large。
也许也就是说飞行里程数对于结算结果或者说相亲结果影响较大，但是统计的人觉得这三个特征同等重要。

那么对着3个特征同等重要的时候，我们就要进行归一化：

假设我们以蓝色的两个样本为例子，用下面的公式去评断：

我们可以看到，其玩游戏所消耗时间的百分比，每周消费的冰淇淋公升数两个特征，对评判基本没有影响了，所以为了让他们3个特征同等重要，我们要进行归一化，转化到同一标准下面。
其目的：是为了使得某一特征不会对结果造成更大影响，减少在机器分析过程中的干扰。

以上就是归一化，后面我们会讲解他的应用。

接下来我们有几个问题：如果数据中异常点较多，会造成什么影响。

我们需要从他的公式中去考虑；

可以看到，如果最大值与最小值异常，影响是非常大的，所以归一化的缺点是，对异常点的处理不是十分的好。

$\color{#FF0000}{注意：}$在特定场景下最大值最小值是变化的，另外，最大值与最小值非常容易受异常点影响，所以这种方法鲁棒性（稳定性）较差，只适合传统精确小数据场景。

但是传统精确小数据场景几乎很少存在，那么我们怎么办呢？我们会想到另外一种方法：标准化，这也是使用最广泛的方法，

标准化

下面是标准化的公式：

其和归一化一样，是也作用于一列，即一列特征。我们还是哪刚才的数据：

首先，从上面我们可以看到，方差的开平方就是标准差，所以要了解一个种药品的东西，即方差的概念：列的每个数据减去该列的平均值，然后求平方，加上所有的和，最后除以平均数，那么得到的就是方差，如果再开平方，就是标准差。

根据公司我们可以知道，当方差为0的时候，其最为稳定。即所有的点都重合了。

那么我们现在结合归一化来谈谈标准化：

既然标准化不容易受到异常数据的影响，那么大部分普遍的数据都可以用他来进行处理，把数据进行缩放。

下面我们介绍标准化的API用法
模块导入：
sklearn特征化API: scikit-learn.preprocessing.StandardScaler

用法：

StandardScaler(…)
处理之后每列来说所有数据都聚集在均值0附近标准差为1

    StandardScaler.fit_transform(X,y)       
    X:numpy array格式的数据[n_samples,n_features]
    返回值：转换后的形状相同的array
    
    StandardScaler.mean_
    原始数据中每列特征的平均值
    
    StandardScaler.std_
    原始数据每列特征的方差

我们使用如下数据：

[[ 1., -1., 3.],
[ 2., 4., 2.],
[ 4., 6., -1.]]

编写一下程序：

def stand():
    """
    标准化缩放
    :return:
    """

    std = StandardScaler()

    data = std.fit_transform([[ 1., -1., 3.],[ 2., 4., 2.],[ 4., 6., -1.]])
    print(data)

    return None
    
from sklearn.preprocessing import MinMaxScaler,StandardScaler


if __name__ == '__main__':
    stand()

运行程序之后，打印信息如下：

[[-1.06904497 -1.35873244  0.98058068]
 [-0.26726124  0.33968311  0.39223227]
 [ 1.33630621  1.01904933 -1.37281295]]

我们把第一列的和加起来求平均值可以得到0，当标出差为一的时候，说明这个数据最适中。所以我们前面提到：特点：通过对原始数据进行变换把数据变换到均值为0,标准差为1范围内。上面得到的数据就是我们机器学习需要的数据

标准化总结：在已有 $\color{#FF0000}{样本足够多的情况下比较稳定}$，适合现代嘈杂大数据场景。