数据标准化，是数据清洗的重要环节之一。主要目的是消除“量纲”和“不同规模”的影响，使其所放到相同的数据区间和范围，以减少规模、特征、分布差异等对数据模型的影响。
应用场景：如某人欲购买一处房产，主要考虑：价格，面积，学区，交通等4个因素。价格：10000元/平米；
面积：100平方；
学区：有学区，无学区，以及学区好坏；
交通：距离公交或者地铁站距离等。
在考虑买房的过程中，每个指标的表述方式不同，不具有直接的可比性，因此，我们需要对其进行处理，这个处理过程称为“数据标准化”。
数据标准化，主要有以下3种方式：
一、实现中心化和正态分布的Z-Score
优点：标准化之后的数据符合均值为0，方差为1 的标准正态分布。
缺点：不适合对稀疏数据做处理。
以下是python代码演示：
# 引入模块
import numpy as np
from sklearn import preprocessing
import matplot.pyplot as plt
二、极值法Max-Min
优点：所有数据落在[0,1]区间，且保持数据原有的分布结构；
缺点：在使用极值法时，一般先剔除异常值，即该方法不能反映异常值的特征；
缺点：不能用于稀疏数据。
三、最大绝对值标准化(MaxAbs)
优点：所有数据落在[-1,1]区间，且保持数据原有的分布结构；
优点：可以用于稀疏数据。
四、RobustScaler针对离群点
在需要考虑异常值的分析中，可以采用该方法对数据进行标准化处理。
