2.数据规范化的方法有哪些？各有什么特点？怎样用Python语言实现。

数据规范化是一种数据预处理技术，旨在调整数据的范围，使得所有特征具有相似的重要性，同时避免由于量纲差异造成的偏斜影响。常见的一些数据规范化方法有：

1. **最小-最大规范化（Min-Max Scaling）**：也叫归一化，将数值缩放到[0,1]区间内。公式为 `(x - x_min) / (x_max - x_min)`，其中`x_min`和`x_max`分别是变量的最小值和最大值。Python可通过NumPy实现：

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_normalized = scaler.fit_transform(data)

2. **Z-score标准化（Standardization）**：也称为零均值单位方差规范化，将数据转化为均值为0，标准差为1的分布。公式为 `(x - mu) / sigma`，其中`mu`和`sigma`分别为样本均值和标准差。Python同样通过sklearn库：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
data_standardized = scaler.fit_transform(data)

3. **zscore()函数**：Python内置的math库也有zscore函数，简单版本适用于一维数组：

import math
def zscore(arr):
    return [(x - arr.mean()) / arr.std() for x in arr]

4. **Decimal Scaling**：对于小数位数的规范化，可以选择四舍五入到特定的小数点精度。

每种方法都有其适用场景，例如最小-最大规范化适用于数值域差距大的数据，而Z-score标准化更适合连续、正态分布的数据。选择哪种方法取决于实际项目的需求以及数据的特性。