数据归一化可以提升模型收敛速度，加快梯度下降求解速度，提升模型精度，消除量纲得影响，简化计算
常用的归一化方式有min_max标准化和Z-Score标准化

#生成dataframe格式数据
import numpy as np
import pandas as pd

data = pd.DataFrame(np.arange(12).reshape(3,4),columns = list('abcd'))
data
#数据结果：
	a	b	c	d
0	0	1	2	3
1	4	5	6	7
2	8	9	10	11

#最小最大归一化：min_max标准化
#对所有列进行归一化
min_max_norm1 = (data-data.min())/(data.max()-data.min())
min_max_norm2 = data.apply(lambda x:(x-np.min(x))/(np.max(x)-np.min(x)))
min_max_norm2
#结果：
	a	b	c	d
0	0.0	0.0	0.0	0.0
1	0.5	0.5	0.5	0.5
2	1.0	1.0	1.0	1.0

#对某一列进行归一化
data['min_max_norm_d'] = (data['d']-data['d'].min())/(data['d'].max()-data['d'].min())
data
#结果：
	a	b	c	d	min_max_norm_d
0	0	1	2	3	0.0
1	4	5	6	7	0.5
2	8	9	10	11	1.0

#Z-Score 标准化 :将原来的数据转为符合均值为0，标准差为1的正态分布的新数据
z_score1 = (data-data.mean())/data.std()
z_score2 = data.apply(lambda x:(x-x.mean())/x.std())
z_score2
#结果：
	a	b	c	d	min_max_norm_d
0	-1.0 -1.0 -1.0 -1.0	-1.0
1	0.0	0.0	0.0	0.0	0.0
2	1.0	1.0	1.0	1.0	1.0

#使用sklearn库中的StandardScaler()进行归一化
from sklearn import preprocessing
zscore = preprocessing.StandardScaler()
z_score = zscore.fit_transform(data)
z_score
#结果：
array([[-1.22474487, -1.22474487, -1.22474487, -1.22474487, -1.22474487],
       [ 0.        ,  0.        ,  0.        ,  0.        ,  0.        ],
       [ 1.22474487,  1.22474487,  1.22474487,  1.22474487,  1.22474487]])

总结：
当数据本身就服从正态分布时，使用z-score;
当有离群值时，使用z-score；min-max比较容易受利群值得影响.