标准化（Standardization）

sklearn的标准化过程，即包括Z-Score标准化，也包括0-1标准化，并且即可以通过实用函数来进行标准化处理，同时也可以利用评估器来执行标准化过程。接下来我们分不同功能以的不同实现形式来进行讨论：

Z-Score标准化的评估器实现方法

#首先是评估器导入
from sklearn.preprocessing import StandardScaler

#评估器的实例化
scaler = StandardScaler()

#然后导入数据，进行训练，此处也是使用fit函数进行训练：
X = np.arange(15).reshape(5, 3)
scaler.fit(X)

# 查看训练数据各列的标准差
scaler.scale_
# 查看训练数据各列的均值
scaler.mean_
# 查看训练数据各列的方差
scaler.var_
# 总共有效的训练数据条数
scaler.n_samples_seen_

# 利用均值和方差对训练集进行标准化处理
scaler.transform(X)

0-1标准化的评估器实现方法

from sklearn.preprocessing import MinMaxScaler

#然后导入数据，进行训练
X = np.arange(15).reshape(5, 3)
scaler = MinMaxScaler()
scaler.fit_transform(X)

归一化Normalization

和标准化不同，sklearn中的归一化特指将单个样本（一行数据）放缩为单位范数（1范数或者2范数为单位范数）的过程，归一化也有函数实现和评估器实现两种方法。
  此前我们曾解释到关于范数的基本概念，假设向量$x=[x_1,x_2,...,x_n{]}^T$，则向量x的1-范数的基本计算公式为：
$$||x|{|}_1=|x_1|+|x_2|+...+|x_n|$$
即各分量的绝对值之和。而向量x的2-范数计算公式为：
$$||x|{|}_2=\sqrt{(|x_1{|}^2+|x_2{|}^2+...+|x_n{|}^2)}$$
我们可以调用评估器来实现上述过程

from sklearn.preprocessing import Normalizer

#导入数据，进行训练
X = np.arange(15).reshape(5, 3)

# L2 （默认）
normlize = Normalizer()
normlize.fit_transform(X)

# L1 
normlize = Normalizer(norm='l1')
normlize.fit_transform(X)