概述
标准化，Standardization，有时也将 标准化 称为 归一化
在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据场景。
Z-score标准化（0均值归一化）
是最常见的标准化，又称：标准差标准化
结果：数据 均值为0、标准差为1 ，符合正态分布，公式如下：
解释：
- x是原始数据
- u是原始数据的 平均值
- σ原始数据的 标准差
原理
表示 原始值 与 均值 之间差多少个标准差，是一个相对值，所以也有 去除量纲 的功效。
- x-μ，计算结果的 平均值变为0
- (x-μ)/σ 除以标准差，计算结果的标准差为1
均值为0，标准差为1 好处
可以使数据以0为中心左右分布，而数据以0为中心左右分布会带来很多便利。
比如：机器学习中很多函数如Sigmoid、Tanh、Softmax等都以0为中心左右分布（不一定对称）
应用场景
神经网络需要标准化处理，一般变量的取值在-1到1之间，这样做是为了弱化某些变量的值较大而对模型产生影响。
在K近邻算法中，如果不对解释变量进行标准化，那么具有小数量级的解释变量的影响就会微乎其微。
实现
numpy实现标准化
import numpy as np
l=[
[7,180,300000,70],
[3,172,200000,110],
[5,168,250000,190],
[8,185,60000,0],
[4,178,36000,80],
[6,175,48000,120]
]
arr=np.array(l)
def z_score(x):
mn=np.mean(x,axis=0)
std=np.std(x,axis=0)
return (x-mn)/std
ret=z_score(arr)
print("标准化：\n",ret)
sklearn实现标准化
import numpy as np
l=[
[7,180,300000,70],
[3,172,200000,110],
[5,168,250000,190],
[8,185,60000,0],
[4,178,36000,80],
[6,175,48000,120]
]
arr=np.array(l)
from sklearn import preprocessing
ret = preprocessing.scale(arr)
print("标准化：\n",ret)
感谢：
https://blog.csdn.net/zenghaitao0128/article/details/78361038