在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为 将数据“无量纲化” 。譬如梯度和矩阵为核心的算法中，譬如 逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度； 而在 距离类模型，譬如K近邻，K-Means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。 （一个特例是决策树和树的集成算法们，对决策树我们不需要无量纲化，决策树可以把任意数据都处理得很好。）

数据的无量纲化可以是线性的，也可以是非线性的。线性的无量纲化包括
中心化 （Zero-centered或者Mean-subtraction） 处理 和 缩放处理 （Scale）。

1. 中心化的本质是 让所有记录减去一个固定值，即让数据样本数据平移到某个位置 。
2. 缩放的本质是 通过除以一个固定值，将数据固定在某个范围之中 ，取对数也算是一种缩放处理。

• preprocessing.MinMaxScaler

当数据(x) 按照最小值中心化后，再按极差（最大值 - 最小值）缩放 ，数据移动了最小值个单位，并且会被收敛到[0,1]之间，而这个过程，就叫做 数据归一化 (Normalization，又称Min-Max Scaling)。注意，Normalization是归一化，不是正则化，真正的正则化是regularization，不是数据预处理的一种手段。归一化之后的数据服从正态分布，公式如下：

在sklearn当中，我们使用preprocessing.MinMaxScaler来实现这个功能。MinMaxScaler有一个重要参数， feature_range ， 控制我们希望把数据压缩到的范围，默认是[0,1]。

• preprocessing.StandardScaler
  当数据(x) 按均值(μ)中心化后，再按标准差(σ)缩放 ，数据就会服从为均值为0，方差为1的正态分布（即标准正态分布），而这个过程，就叫做 数据标准化 (Standardization，又称Z-score normalization)，公式如下：
  
  
  
  对于StandardScaler和MinMaxScaler来说，空值NaN会被当做是缺失值，在fit的时候忽略，在transform的时候保持缺失NaN的状态显示。并且，尽管去量纲化过程不是具体的算法，但在fit接口中，依然 只允许导入至少二维数组，一维数组导入会报错 。通常来说，我们输入的X会是我们的特征矩阵，现实案例中特征矩阵不太可能是一维，所以不会存在这个问题。

• StandardScaler和MinMaxScaler选哪个？
  看情况。大多数机器学习算法中，会 选择StandardScaler来进行特征缩放 ， 因为MinMaxScaler对异常值非常敏感 。在PCA，聚类，逻辑回归，支持向量机，神经网络这些算法中，StandardScaler往往是最好的选择。
  MinMaxScaler在不涉及距离度量、梯度、协方差计算以及数据需要被压缩到特定区间时使用广泛，比如数字图像处理中量化像素强度时，都会使用MinMaxScaler将数据压缩于[0,1]区间之中。

建议先试试看StandardScaler，效果不好换MinMaxScaler。

除了StandardScaler和MinMaxScaler之外，sklearn中也提供了各种其他缩放处理（中心化只需要一个pandas广播一下减去某个数就好了，因此sklearn不提供任何中心化功能）。比如，在希望压缩数据，却不影响数据的稀疏性时（不影响矩阵中取值为0的个数时），我们会使用MaxAbsScaler；在异常值多，噪声非常大时，我们可能会选用分位数来无量纲化，此时使用RobustScaler。更多详情请参考以下列表。