數(shù)據(jù)標準化的方法：“最小—最大標準化”楔脯、“Z-score標準化”
1.最小—最大標準化
原理：將某一問項的原始值x通過標準化映射成在區(qū)間[0,1]中的值 赁豆，其公式為：新數(shù)據(jù)=（原數(shù)據(jù)-極小值）/（極大值-極小值）戈钢，也稱為離差標準化荤懂，是對原始數(shù)據(jù)的線性變換倔丈，使結(jié)果值映射到[0 - 1]之間
公式：標準化結(jié)果x'=（x-min）/(max-min), 其中x表示原始數(shù)據(jù)幻枉，min表示該指標的最小值扔傅，max表示該指標的最大值
spss操作：第一步—選定該指標包含的數(shù)據(jù)耍共，點擊“分析”-“描述”—得到描述性統(tǒng)計結(jié)果，并可知道該指標的最小猎塞、最大试读、平均和標準差值 ，如下圖 荠耽；第二部钩骇，點擊“轉(zhuǎn)換”—“計算”——輸入標準化后變量的名稱，輸入 最小—最大標準化的公式铝量，如下圖——點擊確定——新的標準化結(jié)果出現(xiàn)在spss面板的指標右方
2.“Z-score標準化”
原理：通過原始數(shù)據(jù)的均值（mean）和標準差（standard deviation）進行數(shù)據(jù)的標準化倘屹，經(jīng)過處理的數(shù)據(jù)符合標準正態(tài)分布，即均值為0慢叨，標準差為1纽匙，其標準化后的數(shù)值大小有正有負，如下圖中的標準正態(tài)分布曲線
適用范圍：問項數(shù)據(jù)的最大最小值不知道的情況下拍谐、有超出取值范圍的離群數(shù)據(jù)的情況烛缔、適用于不同量級數(shù)據(jù)的無量化處理
公式：新數(shù)據(jù)=（原數(shù)據(jù)-均值）/標準差
spss操作：點擊“分析”-“描述”—勾選z-score標準化處理，即可得結(jié)果
【補充說明】
數(shù)據(jù)標準化（歸一化）處理：
【專業(yè)解釋】不同評價指標往往具有不同的量綱和量綱單位轩拨，這樣的情況會影響到數(shù)據(jù)分析的結(jié)果践瓷，為了消除指標之間的量綱影響，需要進行數(shù)據(jù)標準化處理亡蓉，以解決數(shù)據(jù)指標之間的可比性晕翠。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標準化處理后，各指標處于同一數(shù)量級砍濒，適合進行綜合對比評價淋肾。歸一化化就是要把你需要處理的數(shù)據(jù)經(jīng)過處理后（通過某種算法）限制在你需要的一定范圍內(nèi)。首先歸一化是為了后面數(shù)據(jù)處理的方便爸邢，其次是保正程序運行時收斂加快巫员。
【通俗的解釋】經(jīng)過標準化處理，原始數(shù)據(jù)均轉(zhuǎn)換為無量綱化甲棍，數(shù)據(jù)無量綱化處理主要解決數(shù)據(jù)的可比性简识，即不同量級的數(shù)據(jù)通過標準化變?yōu)橥涣考壍臄?shù)據(jù)赶掖，如用戶的搜索次數(shù)的量級為萬級的，而下載次數(shù)為百級七扰，通俗地講奢赂，同一天內(nèi)用戶對一首歌的搜索次數(shù)有幾萬次，而下載次數(shù)只有幾十次颈走，將這兩個指標的數(shù)據(jù)標準化后膳灶，就變?yōu)橥粋€級別的數(shù)，比如均為【0,1】立由，就可以通過這兩個指標來討論和計算用戶對一首歌的喜歡程度轧钓，指標測評值，即各指標值都處于同一個數(shù)量級別上锐膜，可以進行綜合測評分析毕箍。
