标准偏差公式（标准偏差算法）

　　标准偏差公式（标准偏差算法）
　　本篇内容讨论的是数据特征处理中数据标准化方案，相比于在【数据特征处理之数值型数据（归一化）】中介绍的归一化方案由于自身的不足而导致的应用场景受限（数据量较小的工程、不稳定），数据标准化方案几乎克服了特征极值的影响，且完全适用于数据工程较大的场景。
　　本文内容虽然很基础，但为了更加形象的理解知识内容，所以开始还是给出知识点的逻辑位置什么是特征处理？
　　通过特定的统计方法（数学方法）将待处理数据转换为算法要求的数据的这个过程称为特征处理。
　　标准化的特点
　　对不同特征维度的伸缩变换使得不同度量之间的特征具有可比性
　　在数据量较多的场景比较稳定（适用于现代嘈杂大数据场景）
　　对于数据标准化，其数学（统计学）方法为
　　上述公式中，X’为标准化后的数据，mean为种特征的均值，σ为标准差。σ标准差理论计算公式为：
　　其中，n为每个特征的样本个数，mean依然为每种特征的均值，var在统计学中用来表示方差，其效果作用于每一列（划重点）
　　借助机器学习中的sklearn模块来完成数据的标准化特征处理
　　上述缩放结果是借助机器学习中的sklearn模块来完成的，完整的代码如下#-*-coding:utf-8-*-#@Author:数据与编程之美#@File:standard_scaler.pyfromsklearn.preprocessingimportStandardScalerdefstandard_scaler():    std=StandardScaler()  data=std.fit_transform([[425,42,0.16],  [544,66,1.28],  [509,75,0.87],  [496,60,0.99],  [580,23,1.15]])    print(data)if__name__==＂__main__＂:    standard_scaler()
　　数据标准化后的特点：
　　数据标准化后的数据其每种特征的所有样本均值为0，方差、标准差为1。
　　数据标准化后没有改变数据的几何距离，即没有改变数据的分布（重点）。
　　上述内容便是数据特征处理中的数据标准化理论、操作流程。标准化由于自身的大数据量特性，因此很适合现今的诸多大数据量场景。