特征工程——数据的标准化（Z-Score,Maxmin,MaxAbs,RobustScaler,Normalizer）-CSDN博客

数据标准化是一个常用的数据预处理操作，目的是处理不同规模和量纲的数据，使其缩放到相同的数据区间和范围，以减少规模、特征、分布差异等对模型的影响。

比如线性回归模型、逻辑回归模型或包含矩阵的模型，它们会受到输入尺度(量纲)的影响。相反，那些基于树的模型则根本不在乎输入尺度(量纲)有多大。如果模型对输入特征的尺度(量纲)很敏感，就需要进行特征缩放。顾名思义，特征缩放会改变特征的尺度，有些人将其称为特征归一化。特征缩放通常对每个特征独立进行。下面讨论几种常用的特征缩放操作，每种操作都会产生一种不同的特征值分布。

标准化方法	公式	优点	缺点	转换区间	适用场景
Z-Score(标准化standardization)		适用大多数类型的数据，标准化之后的数据是以0为均值，方差为1的正态分布	是一种中心化方法，会改变原有数据得分布结构	均值为0，方差为1的标准正态分布	不适合用于稀疏数据的处理
Max-Min(归一化)		应用广泛，能较好的保持原有数据分布结构	1.分母可能为0，导致计算过程出错。 2.对异常值(离群值)的存在非常敏感	[0,1]	不适合用于稀疏数据的处理
MaxAbs	${x}'=x/\left \| max \right \|$	保持原有数据分布结构	对异常值(离群值)的存在非常敏感	[-1,1]	稀疏数据、稀疏CSR或CSC矩阵
RobustScaler	，Q代表分位数	能最大限度地保留数据集中的异常(离群点)	-	-	最大限度保留数据集中的异常(离群值)
Normalizer(正