本文主要介绍sklearn preprocessing四个数据预处理的函数，大概分两类，一是标准化，二是将将数据特征缩放至某一范围。
这四个函数都在sklearn preprocessing模块中，无论哪个方法，都是对列进行的操作。
一、标准化
标准化适用的情况：如果有些特征的方差过大，则会主导目标函数从而使参数估计器无法正确地去学习其他特征，这个时候需要数据标准化，分两步，一是去均值的中心化（均值变为0），二是方差的规模化（方差变为1）。通过这一步，可将特征值等级化，进而实现数据中心化。
原理：
z-score标准化(zero-mean normalization)
原理：均值为0，标准差为1（符合标准正态分布） –> mean=0, std=1
转换函数：
示例数据如下：
- scale()方法，适用不区分训练集与测试集前一次性变换
#scale方法的使用
#方法一
from sklearn import preprocessing
scale_data = preprocessing.scale(X)
#方法二
from sklearn.preprocessing import scale
scale_data = scale(X)
scale_data
#显示每列的均值和方差
scale_data.mean(axis=0)
scale_data.std(axis=0)
- StandardScaler()方法，计算训练集的平均值和标准差，以便测试数据集使用相同的变换
#StandardScaler()方法
from sklearn import preprocessing
stand_means = preprocessing.StandardScaler()
X_trans = stand_means.fit_transform(X)
Y_trans = stand_means.transform(Y)
print("X_trans如下:")
X_trans
print('-'*60)
print("Y_trans如下:")
Y_trans
二、将数据特征缩放至某一范围
缩放适用的情况：数据集的标准差非常非常小，有时数据中有很多很多零（稀疏数据）需要保存住０元素，这样处理可对方差非常小的属性增强其稳定性，也可维持稀疏矩阵中为0的条目，一般情况下是缩放到在[0,1]之间，或者是特征中绝对值最大的那个数为1，其他数以此维标准分布在[[-1，1]之间。
以上两者分别可以通过MinMaxScaler 或者 MaxAbsScaler方法来实现，实现方法同StandardScaler()方法一样
MinMaxScaler()原理：
转换函数：
MaxAbsScaler()
原理与上面的很像，只是数据会被规模化到[-1,1]之间。也就是特征中，所有数据都会除以最大值。这个方法对那些已经中心化均值维0或者稀疏的数据有意义。