預處理的幾種方法：標准化、數據最大最小縮放處理、正則化、特征二值化和數據缺失值處理。
知識回顧：
p-范數：先算絕對值的p次方，再求和，再開p次方。
數據標准化：盡量將數據轉化為均值為0，方差為1的數據，形如標准正態分布（高斯分布）。
標准化（Standardization）
公式為：(X-X_mean)/X_std 計算時對每個屬性/每列分別進行。
將數據按其屬性（按列進行）減去其均值，然后除以其方差。最后得到的結果是，對每個屬性/每列來說所有數據都聚集在0附近，方差值為1。
sklearn中preprocessing庫里面的scale函數使用方法：
sklearn.preprocessing.scale(X, axis=0, with_mean=True, with_std=True, copy=True)
根據參數不同，可以沿任意軸標准化數據集。
參數：
- X：數組或者矩陣
- axis：int類型，初始值為0，axis用來計算均值和標准方差。如果是0，則單獨的標准化每個特征（列），如果是1，則標准化每個觀測樣本（行）。
- with_mean：boolean類型，默認為True，表示將數據均值規范到0。
- with_std：boolean類型，默認為True，表示將數據方差規范到1。
范例：假設現在構造一個數據集X，然后想要將其標准化。
方法一：使用sklearn.preprocessing.scale()函數
方法說明：
- X.mean(axis=0)用來計算數據X每個特征的均值；
- X.std(axis=0)用來計算數據X每個特征的方差；
- preprocessing.scale(X)直接標准化數據X。
方法二：sklearn.preprocessing.StandardScaler類
sklearn.preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True)
scaler = preprocessing.StandardScaler()
X_scaled = scaler.fit_transform(X)scaler = preprocessing.StandardScaler().fit(X)
X_scaled = scaler.transform(X)
上面兩段代碼等價。
轉換器（Transformer）主要有三個方法：
fit()：訓練算法，擬合數據
transform()：標准化數據
fit_transform()：先擬合數據，再標准化。