一、標準化
去除均值和方差縮放：通過(X-X_mean)/std計算每個屬性(每列)，進而使所有資料聚集在0附近，方差為1.

(1)、sklearn.preprocessing.scale() 
直接將給定資料進行標準化

from sklearn import preprocessing
import numpy as np
X = np.array([[ 1., -1.,  2.],[ 2.,  0.,  0.],[ 0.,  1., -1.]])
X_scaled = preprocessing.scale(X)

array([[ 0.        , -1.22474487,  1.33630621],
       [ 1.22474487,  0.        , -0.26726124],
       [-1.22474487,  1.22474487, -1.06904497]])
 

X_scaled.mean(axis=0)
array([ 0.,  0.,  0.])

X_scaled.std(axis=0)
array([ 1.,  1.,  1.])

(2)、sklearn.preprocessing.StandardScaler() 
可儲存訓練集中的均值、方差引數，然後直接用於轉換測試集資料。

scaler = preprocessing.StandardScaler().fit(X)
scaler.transform(X)  

array([[ 0.        , -1.22474487,  1.33630621],
       [ 1.22474487,  0.        , -0.26726124],
       [-1.22474487,  1.22474487, -1.06904497]])

scaler.mean_
array([ 1.        ,  0.        ,  0.33333333])

scaler.var_
array([ 0.66666667,  0.66666667,  1.55555556])
 

二、縮放到指定範圍
將屬性縮放到一個指定的最大和最小值（通常是1-0）之間，這樣處理可對方差非常小的屬性增強其穩定性，也可維持稀疏矩陣中為0的條目。 
preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True) 
計算公式： 
X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0)) 
X_scaled = X_std * (max - min) + min 
其中 
feature_range : tuple (min, max), default=(0, 1)

minmaxscaler = preprocessing.MinMaxScaler().fit(X)
minmaxscaler.transform(X)

array([[ 0.5       ,  0.        ,  1.        ],
       [ 1.        ,  0.5       ,  0.33333333],
       [ 0.        ,  1.        ,  0.        ]])

minmaxscaler.scale_
array([ 0.5       ,  0.5       ,  0.33333333])

 minmaxscaler.min_ 
 array([ 0.        ,  0.5       ,  0.33333333])

也可直接應用fit_transform(X)實現fit和transform功能。

三、正則化 （這個是對行進行正則化）
對每個樣本計算其p-範數，再對每個元素除以該範數，這使得每個處理後樣本的p-範數（l1-norm,l2-norm）等於1。如果後續要使用二次型等方法計算兩個樣本之間的相似性會有用。 
preprocessing.Normalizer(norm=’l2’, copy=True)

norm：可以為l1、l2或max，預設為l2

若為l1時，樣本各個特徵值除以各個特徵值的絕對值之和

若為l2時，樣本各個特徵值除以各個特徵值的平方之和

若為max時，樣本各個特徵值除以樣本中特徵值最大的值

from sklearn import preprocessing
import numpy as np
X = np.array([[ 1., -1.,  2.],[ 2.,  0.,  0.],[ 0.,  1., -1.]])
scaler= preprocessing.Normalizer(norm='l1').fit(X)
X_scaled = scaler.transform(X)
print(X)
print(X_scaled)


[[ 1. -1.  2.]
 [ 2.  0.  0.]
 [ 0.  1. -1.]]
[[ 0.25 -0.25  0.5 ]
 [ 1.    0.    0.  ]
 [ 0.    0.5  -0.5 ]]

轉自：https://blog.csdn.net/u013402321/article/details/79043402