數據中不同特徵的量綱可能不一致，數值間的差別可能很大，不進行處理可能會影響到數據分析的結果，因此，需要對數據按照一定比例進行縮放，使之落在一個特定的區域，便於進行綜合分析。
常用的方法有兩種：
最大 - 最小規範化：對原始數據進行線性變換，將數據映射到[0,1]區間
Z-Score標準化：將原始數據映射到均值為0、標準差為1的分布上
為什麼要標準化/歸一化？提升模型精度：標準化/歸一化後，不同維度之間的特徵在數值上有一定比較性，可以大大提高分類器的準確性。
加速模型收斂：標準化/歸一化後，最優解的尋優過程明顯會變得平緩，更容易正確的收斂到最優解。
如下圖所示：
哪些機器學習算法需要標準化和歸一化1）需要使用梯度下降和計算距離的模型要做歸一化，因為不做歸一化會使收斂的路徑程z字型下降，導致收斂路徑太慢，而且不容易找到最優解，歸一化之後加快了梯度下降求最優解的速度，並有可能提高精度。比如說線性回歸、邏輯回歸、adaboost、xgboost、GBDT、SVM、NeuralNetwork等。需要計算距離的模型需要做歸一化，比如說KNN、KMeans等。
2）概率模型、樹形結構模型不需要歸一化，因為它們不關心變量的值，而是關心變量的分布和變量之間的條件概率，如決策樹、隨機森林。
徹底理解標準化和歸一化示例數據集包含一個自變量（已購買）和三個因變量（國家，年齡和薪水），可以看出用薪水範圍比年齡寬的多，如果直接將數據用於機器學習模型（比如KNN、KMeans），模型將完全有薪水主導。
#導入數據
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv('Data.csv')缺失值均值填充,處理字符型變量
df['Salary'].fillna((df['Salary'].mean()), inplace= True)
df['Age'].fillna((df['Age'].mean()), inplace= True)
df['Purchased'] = df['Purchased'].apply(lambda x: 0 if x=='No' else 1)
df=pd.get_dummies(data=df, columns=['Country'])最大 - 最小規範化
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(df)
scaled_features = scaler.transform(df)
df_MinMax = pd.DataFrame(data=scaled_features, columns=["Age", "Salary","Purchased","Country_France","Country_Germany", "Country_spain"])Z-Score標準化
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
sc_X = sc_X.fit_transform(df)
sc_X = pd.DataFrame(data=sc_X, columns=["Age", "Salary","Purchased","Country_France","Country_Germany", "Country_spain"])import seaborn as sns
import matplotlib.pyplot as plt
import statistics
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
fig,axes=plt.subplots(2,3,figsize=(18,12))
sns.distplot(df['Age'], ax=axes[0, 0])
sns.distplot(df_MinMax['Age'], ax=axes[0, 1])
axes[0, 1].set_title('歸一化方差：% s '% (statistics.stdev(df_MinMax['Age'])))
sns.distplot(sc_X['Age'], ax=axes[0, 2])
axes[0, 2].set_title('標準化方差：% s '% (statistics.stdev(sc_X['Age'])))
sns.distplot(df['Salary'], ax=axes[1, 0])
sns.distplot(df_MinMax['Salary'], ax=axes[1, 1])
axes[1, 1].set_title('MinMax：Salary')
axes[1, 1].set_title('歸一化方差：% s '% (statistics.stdev(df_MinMax['Salary'])))
sns.distplot(sc_X['Salary'], ax=axes[1, 2])
axes[1, 2].set_title('StandardScaler:Salary')
axes[1, 2].set_title('標準化方差：% s '% (statistics.stdev(sc_X['Salary'])))可以看出歸一化比標準化方法產生的標準差小，使用歸一化來縮放數據，則數據將更集中在均值附近。這是由於歸一化的縮放是「拍扁」統一到區間（僅由極值決定），而標準化的縮放是更加「彈性」和「動態」的，和整體樣本的分布有很大的關係。所以歸一化不能很好地處理離群值，而標準化對異常值的魯棒性強，在許多情況下，它優於歸一化。
參考：https://towardsdatascience.com/data-transformation-standardisation-vs-normalisation-a47b2f38cec2