通常我们分析的数据指标不是单一的，往往是由多个评价指标构成的，而这些评价指标往往具有不同的属性、数量级和单位，这导致我们无法对不同的指标进行比较、加权、求和等种种后续操作。

假设各个指标之间的水平相差很大，此时直接使用原始指标进行分析时，数值较大的指标，在评价模型中的绝对作用就会显得较为突出和重要，而数值较小的指标，其作用则可能就会显得微不足道。

因此，为了消除不同评价指标之间存在的差异，统一比较的标准，就需要对数据进行标准化处理，消除不同指标之间因属性不同而带来的影响，从而使结果更具有可比性。

通过一定的数学变换方式，将原始数据按照一定的比例进行转换，使之落入到一个小的特定区间内，例如[0,1]或[-1,1]的区间内，消除不同变量之间性质、量纲、数量级等特征属性的差异，将其转化为一个无量纲的相对数值，也就是标准化数值，使各指标的数值都处于同一个数量级别上，从而便于不同单位或数量级的指标能够进行综合分析和比较。

1、min-max标准化

对原始数据进行线性变换，无论原始数据是正值还是负值，结果都会落到[0,1]区间。并且正负指标均可转化为正向指标，作用方向一致。但是如果有新数据加入，就可能会导致最大值和最小值发生变化，就需要进行重新定义，并重新计算。

2、z-score 标准化

适用于当某个指标的最大值和最小值未知时，或者有超出取值范围的离群数值时。

处理后的数据符合均值为0，标准差为1的标准正态分布，围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。

3、归一化

对正数进行变换，使结果落到[0,1]区间，其将数值的绝对值变成相对值关系

4、中心化

让数据变成平均值为0的一组数据

以上提到的几种数据标准化处理的方法，在spsspro中的【数据处理】->【数据标准化】都有提供，如图所示：

相关推荐

数据分析师认证学习与考核方案

无需邀请好友，全国大学生数据分析知识科普竞赛纸质证书免费包邮寄送！ 撰写小红书及知乎文章，推广第二届全国大学生数据分析科

-