睿治

智能数据治理平台

睿治作为国内功能最全的数据治理产品之一，入选IDC企业数据治理实施部署指南。同时，在IDC发布的《中国数据治理市场份额,2022》报告中，蝉联数据治理解决方案市场份额第一。

在线免费试用 DEMO体验视频介绍

睿治智能数据治理平台

IDC蝉联数据治理解决方案市场第一

为什么数据标准这么重要，三个小招教你实现

时间：2020-07-17来源：CSDN浏览数：651次

评价是现代社会各领域的一项经常性的工作，是科学做出管理决策的重要依据。随着人们研究领域的不断扩大，所面临的评价对象日趋复杂，如果仅依据单一指标对事物进行评价往往不尽合理，必须全面地从整体的角度考虑问题，多指标综合评价方法应运而生。所谓多指标综合评价方法，就是把描述评价对象不同方面的多个指标的信息综合起来，并得到一个综合指标，由此对评价对象做一个整体上的评判，并进行横向或纵向比较。

而在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。

目前数据标准化方法有多种，归结起来可以分为直线型方法(如极值法、标准差法)、折线型方法(如三折线法)、曲线型方法(如半正态性分布)。不同的标准化方法，对系统的评价结果会产生不同的影响，然而不幸的是，在数据标准化方法的选择上，还没有通用的法则可以遵循。

常见的方法有：min-max标准化（Min-max normalization），log函数转换，atan函数转换，z-score标准化（zero-mena normalization，此方法最为常用），模糊量化法。本文只介绍min-max法（规范化方法），z-score法（正规化方法），比例法（名字叫啥不太清楚，归一化方法）。

数据的标准化(normalization)是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上，常见的数据归一化的方法有:min-max标准化(Min-maxnormalization)也叫离差标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下:其中max为样本数据的最大值，min为样本数据的最小值。这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。log函数转换通过以10为底的log函数转换的方法同样可以实现归一下，具体方法如下:看了下网上很多介绍都是x*=log10(x)，其实是有问题的，这个结果并非一定落到[0,1]区间上，应该还要除以log10(max)，max为样本数据最大值，并且所有的数据都要大于等于1。atan函数转换用反正切函数也可以实现数据的归一化:使用这个方法需要注意的是如果想映射的区间为[0,1]，则数据都应该大于等于0，小于0的数据将被映射到[-1,0]区间上。而并非所有数据标准化的结果都映射到[0,1]区间上，其中最常见的标准化方法就是Z标准化，也是SPSS中最为常用的标准化方法:z-score 标准化(zero-meannormalization)也叫标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为:其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

1 什么是数据标准化（Normalization）

将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。

2 有哪些常用方法呢？

方法一：规范化方法

也叫离差标准化，是对原始数据的线性变换，使结果映射到[0,1]区间。

方法二：正规化方法

这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x’。
z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
spss默认的标准化方法就是z-score标准化。
用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。

步骤如下：
1.求出各变量（指标）的算术平均值（数学期望）xi和标准差si ；
2.进行标准化处理：
zij=（xij－xi）/si
其中：zij为标准化后的变量值；xij为实际变量值。
3.将逆指标前的正负号对调。
标准化后的变量值围绕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。

方法三：归一化方法

（部分内容来源网络，如有侵权请联系删除）

立即申请数据分析/数据治理产品免费试用我要试用

上一篇： 如何正确理解数据治理...

下一篇： 数据治理-理数据，现状分析...

相关主题
相关大数据问答
相关大数据知识

指标管理服务数据分析的软件哪个好多个维度的数据分析创新管理数据分析数据湖技术架构 COGNOS报表数据清理选择题智能零售数据可靠性分析方法基于PYTHON的大数据分析基础及实战课件文本数据分析软件大数据管理与应用就业方向智慧农业大数据平台建设项目大数据分析有哪些大屏数据展示应用在什么场景

1 元数据采集组件包括哪些？

2 数据驾驶舱平台是什么？

3 数据孤岛是否需要全部打通？如何打破信息孤岛？各信息系统间的数据交互如何有效解决？

4 数据价值有哪几种方法评估？

5 元数据管理工具典型应用案例

1 企业开展元数据管理有什么意义？

2 什么是数据中台？数据中台、数据平台、数据湖三者之间的关系和区别？

3 为什么数据分析平台这么重要？如何搭建？

4 大数据治理中的数据质量管理你了解多少？

5 大数据分析平台在教育领域的应用及案例

产品功能

平台化

全面覆盖数据治理9大领域，采用微服务架构，融合度高，延展性强

可视化

实现数据从创建到消亡全生命周期的可视化，也实现全角色的可视化

智能化

丰富的智能元素和功能，大大缩短数据管理周期、减少成本浪费

亿信ABI

主数据

数据治理

数据工厂

数据采集

指标管理

大模型BI

数据填报

数据处理

指标管理

报表分析

敏捷分析

大屏可视化

智能分析

数据挖掘

移动应用

主数据模型

主数据维护

主数据分发

主数据质量管理

模型管理

元数据管理

数据标准

数据质量

数据资产管理

数据集成管理

数据交换管理

数据安全管理

数据生命周期管理

模型管理

任务管理

调度管理

监控中心

表单设计

数据填报

数据审核

数据审批

数据汇总

数据管理

数据接口

指标体系建设

指标管理与加工

指标运营

指标服务

对话式数据探索的智能问数

更懂数据见解的智能洞察

数据驱动的智能图表

对话式智能看板

交互式智能报告

对话式大屏汇报

一键查询海量文档的知识问答

智能决策的数字助理

大数据治理方案

主数据管理方案

数据资产盘点方案

数据仓库及商业智能方案

大数据资产管理方案

数据标准化及质量管控方案

指标体系建设方案

仓湖一体化数据中心建设方案

数据中台解决方案

金融

统一监管报表平台

金融管理驾驶舱

金融通用数仓建设

金融数据质量管理

租赁

租赁行业大数据解决方案

智能租赁监管报送

租赁数据资产管控

租赁管理驾驶舱

租赁报表管理

租赁资产监督管控

医疗卫生

医院智慧运营管理数字化解决方案

医院数据治理与运营分析平台

医院运营管理辅助决策支持系统

省级卫生统计分析与决策支持平台

省级卫生数据管理与服务平台

省级卫生统计直报平台

睿治智能数据治理平台