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-max normalization)
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-mean normalization)
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。
相关文章:
这篇文章很有用，收藏了。
牵扯到数学了都，数学学的不怎么好
真科学。。。一直在寻找这些
这个不错，应该再多一些的
@eagle: 这个确实可以在很多地方用到
好久没看到那么专业的东西了，收藏！
很好的总结，我会好好学习的，谢谢分享。
我想请问一下，如果是多个不同单位的数据，其中包含客流量（人数）、销售成功率（百分比）、销售额（货币单位）、平均每个客人消费金额（货币单位）。希望这几个数据能够以时间段，如小时（时间段内发生的以上数据）来分成若干组，将每组的数据用雷达图的方式来进行分析。那么这个数据的标准化应该如何来进行呢？看了您的文章后，我的理解，是不是要对每一组（具体某个时间段内的以上数据）数据进行标准化？使用LOG函数是否对于数据分析而言会更加具有可操作性？希望您能够抽空解答我的问题，谢谢
@般若: 你好，你说的根据小时（时间）来进行分组只是维度层面的不同，标准化是基于消除度量在量纲上的差异，跟维度没有关系，指标化之后你可以根据任何维度来进行展现。
至于标准化方法的选择需要根据度量的数值特征，Log函数适用于数值存在明显量级上差异的度量，如横跨了百、千、万的度量就可以选择Log函数，如果数值上没有这么大的差异，建议还是使用Min-Max或者Z标准化。
你好：
atan函数转换数据归一化，套用你上面的公式
我试验了一下，数据都是大于0的，用RANDBETWEEN(1000,10000)取了27个数据，映射并不是落在[0,1]区间的，问题出在哪里？
@atan函数转换数据归一化: 你好，这个公式得到的值应该是在[0,1]区间内的，你看下用的是不是反正切函数atan，另外有没有忘记除PI。