Pythonnumpy归⼀化和标准化
⼀、概念
  归⼀化：１）把数据变成(０，１)或者（1,1）之间的⼩数。主要是为了数据处理⽅便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。２）把有量纲表达式变成⽆量纲表达式，便于不同单位或量级的指标能够进⾏⽐较和加权。
归⼀化是⼀种简化计算的⽅式，即将有量纲的表达式，经过变换，化为⽆量纲的表达式，成为纯量。
  标准化：在机器学习中，我们可能要处理不同种类的资料，例如，⾳讯和图⽚上的像素值，这些资料可能是⾼维度
的，资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平均)、标准差变为1，这个⽅法被⼴泛的使⽤在许多机器学习算法中(例如：⽀持向量机、逻辑回归和类神经⽹络)。
⼆、为什么要归⼀化/标准化？
归⼀化/标准化实质是⼀种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反⽽能提⾼数据的表现，这些性质是归⼀化/标准化的前提。⽐如有⼀个很重要的性质：线性变换不会改变原始数据的数值排序
三、python实现
# 归⼀化numpy库是标准库吗
def normalization(data):
_range = np.max(data) - np.min(data)
return (data - np.min(data)) / _range
# 标准化
def standardization(data):
mu = np.mean(data, axis=0)
sigma = np.std(data, axis=0)
return (data - mu) / sigma