pandas 数据标准化

Pandas中的数据标准化是一种预处理技术，它用于将不同范围或单位的数据转换到同一尺度上，以便于分析和比较。在Python的Pandas库中，最常用的数据标准化方法有两种：

1. **z-score标准化（StandardScaler）**：
这是通过计算每个特征值与该特征平均值的差，然后除以该特征的标准差（即方差的平方根）。公式为：`(X - X.mean()) / X.std()`。这将结果限制在平均值0和标准差1的范围内，使得数据在平均值为中心，标准差为单位的正态分布附近。

2. **最小-最大缩放（MinMaxScaler）**：
这种方法将数据映射到一个新的固定范围，通常是0到1之间。它是通过对每个特征的最大值和最小值做差，然后除以这个差得到的。公式为：`(X - X.min()) / (X.max() - X.min())`。

这两种标准化方法都适用于数值型数据，有助于减少特征间的量纲影响，提高某些算法（如线性回归、聚类等）的效果。在使用之前，记得先检查数据是否存在缺失值或异常值，因为这些方法对缺失值和异常值的处理策略可能会影响最终的结果。