資料標準化（歸一化）處理是資料探勘的一項基礎工作，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，為了消除指標之間的量綱影響，需要進行資料標準化處理，以解決資料指標之間的可比性。原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜合對比評價。

一般而言，資料的標準化（normalization）是將資料按比例縮放，使之落入一個小的特定區間。在某些比較和評價的指標處理中經常會用到，去除資料的單位限制，將其轉化為無量綱的純數值，便於不同單位或量級的指標能夠進行比較和加權。

以下是兩種常用的歸一化方法：

一、min-max標準化（Min-Max Normalization）

也稱為離差標準化，是對原始資料的線性變換，使結果值對映到[0 - 1]之間。轉換函式如下：

其中max為樣本資料的最大值，min為樣本資料的最小值。這種方法有個缺陷就是當有新資料加入時，可能導致max和min的變化，需要重新定義。

二、Z-score標準化方法(zero-mean normalization)

零均值標準化，這種方法給予原始資料的均值（mean）和標準差（standard deviation）進行資料的標準化。經過處理的資料符合標準正態分佈，即均值為0，標準差為1，轉化函式為：

其中為所有樣本資料的均值，為所有樣本資料的標準差。

其他的還有取對數和三角函式進行標準化，如下面的log函式標準化，atan函式標準化。

log函式轉換

　　通過以10為底的log函式轉換的方法同樣可以實現歸一下，具體方法如下：

　max為樣本資料最大值，並且所有的資料都要大於等於1。

atan函式轉換

　　用反正切函式也可以實現資料的歸一化：

　　使用這個方法需要注意的是如果想對映的區間為[0,1]，則資料都應該大於等於0，小於0的資料將被對映到[-1,0]區間上。

上述標準化資料時還要注意資料本身的分佈特點，比如多數自然和生活中的資料都是呈現正態分佈，如果強行採用另一種標準化方法進行處理，最後會畸變成不是原來資料應該呈現的樣子。