归一化 (Normalization)：
属性缩放到一个指定的**大和**小值（通常是1-0）之间，这可以通过preprocessing.MinMaxScaler类实现。
常用的**小**大规范化方法(x-min(x))/(max(x)-min(x))
python实现归一化的方法：
1、(0,1)标准化：
这是**简单也是**容易想到的方法，通过遍历feature vector里的每一个数据，将Max和Min的记录下来，并通过Max-Min作为基数（即Min=0，Max=1）进行数据的归一化处理：
def MaxMinNormalization(x,Max,Min): x = (x - Min) / (Max - Min); return x
2、Z-score标准化：
这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，这里的关键在于复合标准正态分布，个人认为在一定程度上改变了特征的分布，转化函数为：
实现代码：
def Z_ScoreNormalization(x,mu,sigma): x = (x - mu) / sigma; return x
3、Sigmoid函数：
Sigmoid函数是一个具有S形曲线的函数，是良好的阈值函数，在(0, 0.5)处中心对称，在(0, 0.5)附近有比较大的斜率，而当数据趋向于正无穷和负无穷的时候，映射出来的值就会无限趋向于1和0，是个人非常喜欢的“归一化方法”。
之所以打引号是因为我觉得Sigmoid函数在阈值分割上也有很不错的表现，根据公式的改变，就可以改变分割阈值，这里作为归一化方法，我们只考虑(0, 0.5)作为分割阈值的点的情况：
实现代码：
def sigmoid(X,useStatus): if useStatus: return 1.0 / (1 + np.exp(-float(X))); else: return float(X)
更多Python知识请关注Python自学网。
