一、原理介绍通常在建模前，需要对数据进行标准化处理，消除维度的影响。 如果按原样对未标准化的数据进行建模，则模型往往会学习太多数值大的变量，或者没有充分训练数值小的变量，导致模型的效果变差。 常见的数据标准化方法包括最大最小规范化、方差标准化、小数定标法、定量特征二值化等。
最大最小规范化正如其名，是利用数据串中的最大值和最小值进行规范化处理，规范化的值介于[ 0，1 ]之间，计算数据和该列的最小值之间的差，并将其除以极差。
具体公式为： x '=xminmaxminx '=frac { x-min } { max-min } x '=maxminxmin
其中，x表示各个数据的可能值，min是某个数据列的最小值，max是某个数据列的最大值。
最大最小正规化容易受到极端值的影响，如果某列的数据中存在极端值，则根据实际的业务场景，可以事先去除极端值或异常值，或者取对数等标准化后的数据接近正态分布。
二、代码实现#过滤加载模块froms klearn.preprocessingimportstandardscalerimportwarningswarnings.filter warnings #警告的含义import 读取数据data=PD.read _ CSV (f :/data/data.CSV )， encoding='gbk ' ) #bgk是中文代码# 表示阅览数据前5行的data.head ()1)资产负债率；2 )除去保证金的资产负债率；3 )长期资本负债率；4 )长期资产适合率；5 )权益乘数00.6557990.6067080.6138650.4990 . 93299020.9573910.9415430 60.5306370.95808640.8052350.7960710.8614800.5412990.957462 froms klearn.preprocesss 返回值1 )区间的数据standard _ data=minmax scaler (.fit _ transform ) data ) #标准化数据standard _ data array ([ 0.65608912，0.6000 ]
[ 0.75239351，0.70921165，0.84163884，1 .0.93938095]
[ 0.95781436，0.9464991，0.0.49346475，0.99540256 ]
…，
[0.73319974、0.65164941、0.51791243、0.50922178、0.92607276]
[0.66202637、0.56413243、0.75722411、0.49343682、0.81677841]，
[ 0.88919966，0.85747254，0.0.49297322，0.98517934 ] )
#由于标准化数据为array格式，因此将其转换为数据框standard _ data=PD.data frame (standard _ data )，使数据成为csv文件，然后进行后续建模