数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
以下是两种常用的归一化方法：
一、min-max标准化(Min-Max Normalization)
也称离差标准化，是对原始数据的线性变换，使结果值映射到[0-1]之间。转换函数如下：

其中max为样本数据的最大值，min为样本数据的最小值。
优点：保留源数据存在的关系，消除取值范围最简单的方法；
缺点：极易受个别离群值影响，如果数据集中某个数值很大，其他各值归一化后会接近0；此外，如果遇到超出[min，max]的值，会出现错误。
二、Z-score标准化方法
这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。该方法被广泛使用，但均值和标准差也一样易受离群值影响，因此需要进行修正，比如：可用中位数取代均值进行上述计算。
三、小数定标规范化
该方法是通过移动特征数据的小数位数，将其转换到[-1,1]之间，移动的小数位由特征值绝对值的最大值决定，公式如下：

参考内容所在网址：
https://www.cnblogs.com/chaosimple/p/3227271.html
https://blog.csdn.net/lyq_12/article/details/81349525