简介
数据经过集成、清理与规约等步骤后，我们很可能要将数据进行标准化、离散化、分层化。这些方法有些能够提高模型拟合的程度，有些能够使得原始属性被更抽象或更高层次的概念代替。这些方法统一可以称为数据转换（Data Transform）。
一句话解释版本：
数据转换就是通过标准化、离散化与分层化让数据变得更加一致，更加容易被模型处理。
数据分析与挖掘体系位置
数据转换是有数据预处理中的一个过程。所以其在数据分析与数据挖掘中的位置如下图所示。
数据转换的方法
数据转换的方法有下面三种：
- 数据标准化（Data Standardization）：将数据按比例缩放，使数据都落在一个特定的区间。
- 数据离散化（Data Discretization）：将数据用区间或者类别的概念替换。
- 数据泛化（Data Generalization）：将底层数据抽象到更高的概念层。
下面逐一讲解具体的处理方法。
数据标准化
数据标准化的目的是避免数据量级对模型的训练造成影响。其y应用较多的方法有：
- 最大-最小标准化
- Z-Score标准化
- 小数定标标准化
最大最小标准化
找出变量的最大值与最小值，最大值定义为M，最小值定义为N。
假设我们希望将变量中的所有值转换到0与1之间。
则，变化公式为：
Z-Score标准化
通过总体数据的均值（μ），总体数据的标准差（σ）以及个体的观测值（x），并代入Z-Score的公式即可实现标准化，即：
具体请见3.4.2数据标准化（一） - Z-Score标准化
小数定标标准化
小数定标法通过整体移动变量的小数点位置达到标准化。移动的位数取决于变量的最大值。
比如说，变量的最大值为789，则需要移动的位数是1000，那么就把变量中所有的数据除以1000，全部数据被规范到1以内。
数据离散化
数据离散化的方法与数据清理与数据规约的方法有重合之处。毕竟在数据预处理中，很多理念是相通的，数据离散化中较常用的方法有如下几个：
- 分箱离散化
- 直方图离散化
- 聚类分类离散化
- 相关度离散化
分箱离散化
分箱的概念在3.4数据预处理（二） - 数据清洗（Data Cleaning）一章中已经有所交代。
简单说，分箱就是将数据排序，其次将数据分入等频的箱中。将箱中的值统一替换成同样的指标值。分箱方法对箱子的个数很敏感，同时，当数据中outlier很多时，也容易影响分箱结果。
直方图离散化
直方图离散化的概念在3.4数据预处理（三） - 数据规约（Data Reduction）一章中已经有所交代。
其实，直方图离散化与分箱离散化是很相似的。它与分箱都是无监督技术。它通过将值分为相等的分区，把值离散化到不同的柱中，保证直方图每个柱中的数据相同，或者直方图的每个柱子相隔同等距离。
聚类分类离散化
聚类分类离散化的概念在3.4数据预处理（三） - 数据规约（Data Reduction）一章中也已经有所交代。
不管是用聚类方法还是分类方法，都是将变量的值分为簇或组。簇或组内的值用统一的属性代替，由此实现离散化。
相关度离散化
ChiMerge方法是相关度离散化的一种手段。它采取自下而上的方式，通过递归找到邻近的区间，通过不断的合并形成大区间。
ChiMerge的合并依据是卡方检验值，具有较小卡方值的数据会被合并在一起。之后不断循环递归。
数据泛化
数据泛化起源与属性的概念分层。数据泛化就是将数据的分层结构进行定义，把最底层粒度的数据不断抽象化。