1、标准化 Standardization 标准化又被称为均值移除(mean removal)，对不同样本的同一特征 值进行处理，最终均值为0，标准差为1，采用此种方式我们只需要使 用如下公式即可。
x_scaled = (x-mean)/std
import numpy as np from sklearn import preprocessing
data_standardized = preprocessing.scale(data)
2、数据缩放化（Scaling）
对不同样本的同一特征值，减去其最小值，除以(最大值-最小值）, 最终原最大值为1，原最小值为0，这样在数据分析时可以有效的消除 不同单位大小对最终结构的权重影响。（例如股票类信息，如果股价 是5-7元之间浮动，但是每天成交量在100万上下，在不在采用缩放 的模式下，成交量的数据权重会比股价高上几万倍，导致最终预测数 据出现畸形
x_scaled = (x-x_min)/(x_max-x_min)
data_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)) data_scaled = data_scaler.fit_transform(data)
3、数据归一化（Normalization） 当您要调整特征向量中的值时，可以使用数据归一化，以便可以使用 通用比例尺对其进行测量。机器学习中最常用的规范化形式之一是调 整特征向量的值，使其总和为1。常见的处理方式有如下几种：L1模 式 L2模式。
归一化的L1范数模式 L1范数是我们经常见到的一种范数，
