在机器学习中领域中的数据分析之前，通常需要将数据标准化，利用标准化后得数据进行数据分析。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。
标准化的定义：
标准化用一句话说就是：把数据经过处理后使之限定在一定的范围内。
那么我们为什么要对数据进行标准化呢？
我们假设现在有两个变量，都是均匀分布，X1范围是100000到200000，X2的范围是1到2。
很显然，这些落点会基本处于一条直线上，我们称这条直线为L。 
也就是说，如果现在我们要做一个classification的话，X2几乎可以被忽略。X2很无辜的被干掉了，仅仅因为所谓量纲的问题。
即便X2不被干掉，我们现在继续求解，来做 gradient descent。 很显然，如果某一步我们求得的下降方向不在直线L上，几乎可以肯定肯定这步不会下降。这就会导致不收敛，或者收敛很慢。
例子来自知乎：https://www.zhihu.com/question/20455227/answer/25238709
标准化的一般方法：
１、min-max标准化（Min-Max Normalization）
也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 - 1]之间。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。
２、Z-score标准化方法
这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。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，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。
参考自：http://webdataanalysis.net/data-analysis-method/data-normalization/