特征缩放或归一化：这是数据预处理的步骤，适用于数据的独立变量或特征。从根本上说，它有助于标准化特定范围内的数据。有时，它也有助于加快算法的计算速度。

使用的包：

sklearn.preprocessing

导入：

from sklearn.preprocessing import StandardScaler

后端
标准化中使用的公式将值替换为其Z分数。

通常，“ 拟合”方法用于特征缩放

fit(X, y = None)
计算均值和std以用于以后的缩放.

import pandas as pd
from sklearn.preprocessing import StandardScaler
# 从CSV读取数据
data = read_csv('芒果文档.csv')
data.head()
# 初始化scaler
scaler = StandardScaler()
# 缩放数据
scaler.fit(data)

为什么以及在何处应用特征缩放？
现实世界的数据集包含的特征在大小、单位和范围上都有很大差异。当要素的比例尺不相关或具有误导性时，应执行归一化；而当比例尺有意义时，则不应进行归一化。使用欧几里得距离度量的算法对绝对值敏感。在这里，特征缩放有助于平均权衡所有特征。
正式地，如果数据集中的某个要素比其他要素具有更大的比例，则在测量欧几里得距离的算法中，这个大规模的要素将成为主导并且需要进行标准化。

特征缩放很重要的算法示例
1. K-Means在这里使用欧几里得距离来衡量特征缩放。
2. K-Nearest-Neighbours也需要特征缩放。
3. 主成分分析(PCA)：尝试获得具有最大方差的特征，这里也需要特征缩放。
4. 梯度下降：随着特征缩放后Theta计算变得更快，计算速度也随之提高。

注意：朴素贝叶斯，线性判别分析和基于树的模型不受特征缩放的影响。
简而言之，任何不是基于距离的算法都不会受到要素缩放的影响。