引入
評價是現代社會各領域的一項經常性的工作，是科學做出管理決策的重要依據。隨着人們研究領域的不斷擴大，所面臨的評價對象日趨復雜，如果僅依據單一指標對事物進行評價往往不盡合理，必須全面地從整體的角度考慮問題，多指標綜合評價方法應運而生。所謂多指標綜合評價方法，就是把描述評價對象不同方面的多個指標的信息綜合起來，並得到一個綜合指標，由此對評價對象做一個整體上的評判，並進行橫向或縱向比較。
而在多指標評價體系中，由於各評價指標的性質不同，通常具有不同的量綱和數量級。當各指標間的水平相差很大時，如果直接用原始指標值進行分析，就會突出數值較高的指標在綜合分析中的作用，相對削弱數值水平較低指標的作用。因此，為了保證結果的可靠性，需要對原始指標數據進行標准化處理。
目前數據標准化方法有多種，歸結起來可以分為直線型方法(如極值法、標准差法)、折線型方法(如三折線法)、曲線型方法(如半正態性分布)。不同的標准化方法，對系統的評價結果會產生不同的影響，然而不幸的是，在數據標准化方法的選擇上，還沒有通用的法則可以遵循。
常見的方法有：min-max標准化（Min-max normalization），log函數轉換，atan函數轉換，z-score標准化（zero-mena normalization，此方法最為常用），模糊量化法。本文只介紹min-max法（規范化方法），z-score法（正規化方法），比例法（名字叫啥不太清楚，歸一化方法）。
數據的標准化(normalization)是將數據按比例縮放，使之落入一個小的特定區間。在某些比較和評價的指標處理中經常會用到，去除數據的單位限制，將其轉化為無量綱的純數值，便於不同單位或量級的指標能夠進行比較和加權。其中最典型的就是數據的歸一化處理，即將數據統一映射到[0,1]區間上，常見的數據歸一化的方法有:min-max標准化(Min-maxnormalization)也叫離差標准化，是對原始數據的線性變換，使結果落到[0,1]區間，轉換函數如下:其中max為樣本數據的最大值，min為樣本數據的最小值。這種方法有一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。log函數轉換通過以10為底的log函數轉換的方法同樣可以實現歸一下，具體方法如下:看了下網上很多介紹都是x*=log10(x)，其實是有問題的，這個結果並非一定落到[0,1]區間上，應該還要除以log10(max)，max為樣本數據最大值，並且所有的數據都要大於等於1。atan函數轉換用反正切函數也可以實現數據的歸一化:使用這個方法需要注意的是如果想映射的區間為[0,1]，則數據都應該大於等於0，小於0的數據將被映射到[-1,0]區間上。而並非所有數據標准化的結果都映射到[0,1]區間上，其中最常見的標准化方法就是Z標准化，也是SPSS中最為常用的標准化方法:z-score 標准化(zero-meannormalization)也叫標准差標准化，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，其轉化函數為: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。
1 什么是數據標准化（Normalization）
將數據按比例縮放，使之落入一個小的特定區間。在某些比較和評價的指標處理中經常會用到，去除數據的單位限制，將其轉化為無量綱的純數值，便於不同單位或量級的指標能夠進行比較和加權。
2 有哪些常用方法呢？
方法一：規范化方法
- 也叫離差標准化，是對原始數據的線性變換，使結果映射到[0,1]區間。
方法二：正規化方法
- 這種方法基於原始數據的均值（mean）和標准差（standard deviation）進行數據的標准化。將A的原始值x使用z-score標准化到x’。
- z-score標准化方法適用於屬性A的最大值和最小值未知的情況，或有超出取值范圍的離群數據的情況。
- spss默認的標准化方法就是z-score標准化。
- 用Excel進行z-score標准化的方法：在Excel中沒有現成的函數，需要自己分步計算，其實標准化的公式很簡單。
步驟如下：
1.求出各變量（指標）的算術平均值（數學期望）xi和標准差si ；
2.進行標准化處理：
zij=（xij－xi）/si
其中：zij為標准化后的變量值；xij為實際變量值。
3.將逆指標前的正負號對調。
標准化后的變量值圍繞0上下波動，大於0說明高於平均水平，小於0說明低於平均水平。
方法三：歸一化方法
轉：https://blog.csdn.net/bbbeoy/article/details/70185798