数据处理 归一化
    归一化是将一个变量的取值范围映射到[0,1]区间内的过程，常用于数据处理、特征工程等领域。本文将介绍在数据处理中为什么会用到归一化，以及几种常见的归一化方式。
    一、为什么需要归一化
    在数据处理中，许多算法都对数据的范围和分布敏感。例如，欧式距离和余弦相似度的计算都需要变量间的值归一化到相同的尺度上。在机器学习算法中，有些算法如knn、k-means等会受到变量之间不同尺度的影响，如果不进行归一化，较小数值的特征将被忽略掉。因此，为了避免这些问题，常常需要进行归一化处理。
    二、常见的归一化方法
    1. 线性归一化
    线性归一化（Min-Max Scaling）是将数据的每个取值都映射到[0,1]区间内的方法，其公式为：
    $x'=\frac{x-x_{min}}{x_{max}-x_{min}}$
    其中，x为原始数据，$x_{min}$和$x_{max}$分别为原始数据的最小值和最大值，$x'$是归一化后的数据。
    线性归一化通常的作用对象是属性值具有恒定最大值和最小值（或者可标准化为最大值和最小值），如颜取值范围(0-255)，图片取值范围(0-255)，满分100的考试成绩等。
    2. Z-Score标准化
numpy库是标准库吗    Z-Score标准化是将数据转化为标准正态分布的方法，即将数据的均值变为0，方差变为1。其公式为：
    相较于线性归一化，Z-Score标准化适用于属性值具有大量不同取值范围的数据集。此外，Z-Score标准化还可以对异常值进行惩罚，即将数据缩放到一个较小的尺度内，使异常值的影响尽可能小。
    3. Log归一化
    Log归一化是将数据进行对数变换，用于处理右偏或左偏数据（偏态分布）。通常，数据呈左偏或右偏分布时，可以使用对数变换进行处理，达到降低数据偏斜程度、变得更加对称的目的。
    其公式为：
    $x'=\log(x)$
    其中，x为原始数据，$x'$是归一化后的数据。
    我们可以使用numpy库中的log函数来实现Log归一化。
    import numpy as np
    x = np.array([1, 2, 3, 4, 5])
    # 对数变换
    x_log = np.log(x)
    print(x_log)
    四、总结
    归一化是缩放数据使其按照一定的比例缩放，从而使得不同特征之间存在可比性的一种操作。
    本文介绍了线性归一化、Z-Score标准化和Log归一化等常见的归一化方式。在进行数据处理和特征工程的过程中，需要根据具体情况选择不同的归一化方法，以取得更好的效果。