數據標准化（歸一化）處理是數據挖掘的一項基礎工作，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數據分析的結果，為了消除指標之間的量綱影響，需要進行數據標准化處理，以解決數據指標之間的可比性。原始數據經過數據標准化處理后，各指標處於同一數量級，適合進行綜合對比評價。以下是兩種常用的歸一化方法：
一、min-max標准化（Min-Max Normalization）
也稱為離差標准化，是對原始數據的線性變換，使結果值映射到[0 – 1]之間。轉換函數如下：
x∗=(x−min)/(max−min)
其中max為樣本數據的最大值，min為樣本數據的最小值。這種方法有個缺陷就是當有新數據加入時，可能導致max和min的變化，需要重新定義。
二、Z-score標准化方法
這種方法給予原始數據的均值（mean）和標准差（standard deviation）進行數據的標准化。經過處理的數據符合標准正態分布，即均值為0，標准差為1，轉化函數為：
x∗=(x−μ)/σ
其中 μ為所有樣本數據的均值，σ為所有樣本數據的標准差。
三 Z-scores 簡單化
模型如下：
x∗=1/(1+x)
x越大證明x∗ 越小，這樣就可以把很大的數規范在[0-1]之間了。
總結
以上1，2方法都需要依賴樣本所有數據，而3方法只依賴當前數據，可以動態使用，好理解。