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

    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.

    1. #生成dataframe格式数据
    2. import numpy as np
    3. import pandas as pd
    5. data = pd.DataFrame(np.arange(12).reshape(3,4),columns = list('abcd'))
    6. data
    7. #数据结果：
    8. a    b    c    d
    9. 0    0    1    2    3
    10. 1    4    5    6    7
    11. 2    8    9    10    11
    13. #最小最大归一化：min_max标准化
    14. #对所有列进行归一化
    15. min_max_norm1 = (data-data.min())/(data.max()-data.min())
    16. min_max_norm2 = data.apply(lambda x:(x-np.min(x))/(np.max(x)-np.min(x)))
    17. min_max_norm2
    18. #结果：
    19. a    b    c    d
    20. 0    0.0    0.0    0.0    0.0
    21. 1    0.5    0.5    0.5    0.5
    22. 2    1.0    1.0    1.0    1.0
    24. #对某一列进行归一化
    25. data['min_max_norm_d'] = (data['d']-data['d'].min())/(data['d'].max()-data['d'].min())
    26. data
    27. #结果：
    28. a    b    c    d    min_max_norm_d
    29. 0    0    1    2    3    0.0
    30. 1    4    5    6    7    0.5
    31. 2    8    9    10    11    1.0
    33. #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
    34. z_score1 = (data-data.mean())/data.std()
    35. z_score2 = data.apply(lambda x:(x-x.mean())/x.std())
    36. z_score2
    37. #结果：
    38. a    b    c    d    min_max_norm_d
    39. 0    -1.0 -1.0 -1.0 -1.0    -1.0
    40. 1    0.0    0.0    0.0    0.0    0.0
    41. 2    1.0    1.0    1.0    1.0    1.0
    43. #使用sklearn库中的StandardScaler()进行归一化
    44. from sklearn import preprocessing
    45. zscore = preprocessing.StandardScaler()
    46. z_score = zscore.fit_transform(data)
    47. z_score
    48. #结果：
    49. array([[-1.22474487, -1.22474487, -1.22474487, -1.22474487, -1.22474487],
    50. [ 0.        ,  0.        ,  0.        ,  0.        ,  0.        ],
    51. [ 1.22474487,  1.22474487,  1.22474487,  1.22474487,  1.22474487]])