R语言实现数据的标准化处理

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。下面我们介绍在R语言中这些方法是怎么实现的。

首先创建一个随机的数据：

代码：

a=sample(20)

1. min-max标准化（Min-Max Normalization）

也称为离差标准化，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：

X=(x-min)/(amx-min)

其中max为样本数据的最大值，min为样本数据的最小值。

优点：所有的值都会是正直，会更加反映数据的意义。

缺陷：当有新数据加入时，可能导致max和min的变化，需要重新定义。

代码：mm=(a-min(a))/(max(a)-min(a))

2. 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。转化函数为：

X=(x-u)/σ

其中u为所有样本数据的均值，σ为所有样本数据的标准差。

优点：实现对数据的正态化处理

缺点：本人也不是太清楚

代码1：z=scale(a)

代码2：z=(a-mean(a))/sqrt(var(a))

3. 对数（Log2）标准化方法

这种方法利用对数函数对数据进行标准化。当然为了防止0数值得现，我们一般会统一加1，转化函数：

X=Log2(x+1)

优点：实现对数据的正态化处理

缺点：无法处理小于1的负数值

代码：L=log2(a)

3. 开方标准化方法

这种方法利用对数据进行开方标准化。转化函数：

X=sqrt(x)

缺点：不能对负数处理

使用比较少。

代码：k=sqrt(a)