一、标准化（normalization）
公式为：(X-X_mean)/X_std
将数据按其属性（每列）减去其均值，除以其方差，最后得到的结果是对每个属性/每列来说所有的数据都聚集在0附近，方差值为1。计算时对每个属性/每列分别进行。
方法一：使用sklearn.preprocessing.scale(）函数
说明：x_mean(axis=0)计算X每个特征的平均值
x_std(axis=0)计算X每个特征的方差
preprocessing.scale(x)直接标准化X
方法二：sklearn.preprocessing.StanderScale类
二、归一化
归一化的好处：提升模型收敛速度，提高模型精度，防止模型梯度爆炸
常用的归一化方法有：
min_max标准化：(X-min)/(max-min),该方法的缺点是当有新数据加入时就要重新定义最大值与最小值。
0_1标准化即zero_mean:（x-均值）/方差，经过处理的数据符合方差为0、标准差为1的正态分布，SPSS默认方法。该方法适用于属性A的最大值与最小值未知或有超出取值范围的离群数据的情况，该种方法要求原始数据近似于高斯分布，所以效果会很糟糕。
log转化：log(X)/log(max),要求所有数据都大于等于1。
atan函数转化：atan(x) *2/π
Decimal scaling小数定标标准化：移动小数点的位置进行标准化
如：
三、正则化
正则化的过程是将每个样本缩放到单位范数（每个样本的范数为1）。该方法是文本分析和聚类分析中经常使用的向量空间模型的基础，如果要使用二次型或其他方法计算两个样本之间的相似性，这种方法会很有用。
方法一：使用sklearn.preprocessing.normalize()函数
方法二：使用sklearn.preprocessing.StanderScaler类
四、二值化（Binarization）
特征的二值化主要是为了将数据特征转化为boolean变量，可以利用sklearn.preprocessing.Binarization来实现。
Binarizer也可以设置一个阈值，结果数据值大于阈值的为1，小于阈值的为0
五、缺失值处理
sklearn中的imputer类提供了一些基本的方法来处理缺失值，如均值，中位数或缺失值所在列中频繁出现的数来替换。
Imputer也支持稀疏矩阵
在矩阵中，为0的数目远远大于非0的数目且非0数据分布没有规律，则称为是稀疏矩阵；反之，若非0数据占据大多数，则为稠密矩阵。
参考文章：
https://blog.csdn.net/ruthywei/article/details/80980746
https://blog.csdn.net/qq_36330643/article/details/78300288