1.数据标准化含义：将数据的数值特征转换成一些标准的格式，使其与其他属性处于相同的范围内，此过程叫标准化（Normalization）

2.有两种常用的标准化技术

1. 最大最小标准化（Min-Max Normalization）:这个过程使得特征的范围在[0,1]内。首先计算每个数值特征的最小值个最大值，然后对特征的每个值均进行以下变换 

   

   附python程序：

   from sklearn import preprocessing
   import  pandas
   data={'price':[492,286,487,519,541,429]}#用字典来存放数据
   price_frame=pandas.DataFrame(data)#把字典类型转化为dataframe对象
   min_max_normalizer=preprocessing.MinMaxScaler(feature_range=(0,1))
   #feature_range设置最大最小变换值，默认（0,1）
   scaled_data=min_max_normalizer.fit_transform(price_frame)
   #将数据缩放(映射)到设置固定区间
   price_frame_normalized=pandas.DataFrame(scaled_data)
   #将变换后的数据转换为dataframe对象
   print(price_frame_normalized)

2. Z-分数标准化（Z-Score Normalization）:当数据包含离群值时，最大最小标准化并不是首选。在存在离群值的情况下，随着数据范围的增加，数值将不断接近零。Z-Score常用于标准化技术。Z-Score遵循统计学原理，使数据平均值为0，标准差为1。
   
                                                        
   
   附python程序：

   from sklearn import preprocessing
   import pandas
   data={'price':[492,286,487,519,541,429]}#用字典来存放数据
   price_frame=pandas.DataFrame(data)#把字典类型转化为dataframe对象
   normalizer=preprocessing.scale(price_frame)
   #沿着某个轴标准化数据集，以均值为中心，以分量为单位方差
   price_frame_normalized=pandas.DataFrame(normalizer,columns=['price'])
   #将标准化的数据转换为dataframe对象，将列名改为price
   print(price_frame_normalized)