數據標準主講：孫靜化歸一化描述：將數據映射到指定的范圍，如：把數據映射到0～1或-1~1的范圍之內處理。作用：數據映射到指定的范圍內進行處理，更加便捷快速。把有量綱表達式變成無量綱表達式，便于不同單位或量級的指標能夠進行比較和加權。經過歸一化后，將有量綱的數據集變成純量，還可以達到簡化計算的作用。常見做法：min-max歸一化歸一化min-max歸一化python實現：--（1） 導入數據并刪除我們不要的列：importnumpyasnpimportpandasaspddf=pd.read_excel('C://Users/Administrator/Desktop/data_py.xlsx',sheet_name='廣州',encoding='utf-8')df.drop(columns="時間",axis=1,inplace=True)df.set_index([[2010,2011,2012,2013,2014,2015,2016,2017,2018]],inplace=True)df.drop(columns=['第二產業產值占比','第三產業產值占比','一般工業固體廢物綜合利用率'],axis=1,inplace=True)歸一化min-max歸一化python實現：（2） 查看數據：數據不同列的數據量級差別較大。如果這個時候我們想要利用這個數據表來衡量廣州市的發展情況時，地區生產總值、公共財政收入、人均生產總值這三項特征就會起到主導作用從而遮蓋住其他的特征，這樣的模型效果是很差的，因此我們可以通過歸一化來解決這個問題。歸一化min-max歸一化python實現：（3） Min-Max歸一化：foriinlist(df.columns):#獲取各個指標的最大值和最小值Max=np.max(df[i])Min=np.min(df[i])df[i]=(df[i]-Min)/(Max-Min)歸一化min-max歸一化python實現：（4） 查看歸一化結果：標準化數據標準化方法有多種，如：直線型方法(如極值法、標準差法)、折線型方法(如三折線法)、曲線型方法(如半正態性分布)。不同的標準化方法，對系統的評價結果會產生不同的影響。其中，最常用的是Z-Score標準化。Z-Score標準化：--將原數據轉換為符合均值為0，標準差為1的標準正態分布

的新數據。

為數據均值（mean），為標準差（std）標準化-作用1、提升模型的收斂速度（加快梯度下降的求解速度）2、提升模型的精度（消除量級和量綱的影響）3、簡化計算（與歸一化的簡化原理相同）標準化-python-實現fromsklearnimportpreprocessingdf=pd.read_excel('C://Users/Administrator/Desktop/data_py.xlsx',sheet_name='廣州',encoding='utf-8')df.drop(columns="時間",axis=1,inplace=True)df.set_index([[2010,2011,2012,2013,2014,2015,2016,2017,2018]],inplace=True)df.drop(columns=['第二產業產值占比','第三產業產值占比','一般工業固體廢物綜合利用率'],axis=1,inplace=True)Z-Score標準化，最簡便、也是L推薦的方法是用：sklearn庫里的StandardScaler()。標準化-python實例化實例化：zscore=preprocessing.StandardScaler()#zscore標準化zscore=zscore.fit_transform(df)查看標準化后的數據：df_zscore=pd.DataFrame(zscore,index=df.index,columns=df.columns)df_zscore標準化-小結歸一化/標準化實質是一種線性變換，線性變換有很多良好的性質，這些性質決定了對數據改變后不會造成“失效”，反而能提高數據的表現，這些性質是歸一化/標準化的前提。比如有一個很重要的性質：線性變換不會改變原始數據的數值排序。用Min-Max還是用Z-Score？1、數據的分布本身就服從正態分布，使用Z-Score。2、有離群值的情況：使用Z-Score。注：這里不是說有離群值時使用Z-Score不受影響，而是，Min-Max對于離群值十分敏感，因為離群值的出現，會影響數據中max或min值，從而使Min-Max的效果很差。相比之下，雖然使用Z-Score計算方差和均值的時候仍然會受到離群值的影響，但是相比于Min-Max法，影響會小一點。標準化中的robustRobust：計算機科學中，健壯性（英語：Robustness）是指一個計算機系統在執行過程中處理錯誤，以及算法在遭遇輸入、運算等異常時繼續正常運行的能力。諸如模糊測試之類的形式化方法中，必須通過制造錯誤的或不可預期的輸入來驗證程序的健壯性。三個層面概念：一是模型具有較高的精度或有效性，這也是對于機