机器学习数据预处理：数据归一化（Min-Max）超通俗全解

数据归一化是把不同量级、不同单位的特征，统一缩放到同一尺度的核心方法，几乎所有机器学习模型训练前都会用到，本科生、研究生都必须熟练掌握。

---

一、什么是数据归一化？为什么一定要做？

1. 一句话理解

归一化 = 把所有特征按比例“压扁”到 [0,1] 区间，让特征对模型的影响公平。

2. 不做归一化会怎样？

举个例子：

• 身高：150~200（数值大）
• 体重：30~100（数值小）

模型会错误认为身高比体重重要得多，因为数值范围差距太大，导致：

• 模型精度下降
• 收敛速度变慢
• 距离类算法（KNN、K-Means、SVM）完全失效

---

二、最常用方法：Min-Max 归一化

1. 核心公式

x_norm = (x - x_min) / (x_max - x_min)

2. 符号解释

• x：原始数据
• x_min：这一列特征的最小值
• x_max：这一列特征的最大值
• x_norm：归一化后结果（一定在 0~1 之间）

3. 直观计算例子

原始分数：[40, 60, 80, 90, 100]

• min = 40
• max = 100
• 分母 = 100 - 40 = 60

计算：

• 40 → (40-40)/60 = 0
• 60 → (60-40)/60 ≈ 0.33
• 80 → (80-40)/60 ≈ 0.67
• 90 → (90-40)/60 ≈ 0.83
• 100 → (100-40)/60 = 1

归一化结果：[0, 0.33, 0.67, 0.83, 1]

---

三、数学原理（详细推导，考试/论文必备）

1. 目标

构造线性函数：

f(x) = a·x + b

满足：

• x = x_min → f(x) = 0
• x = x_max → f(x) = 1

2. 求解系数

由边界条件可推出：

• a = 1 / (x_max - x_min)
• b = -x_min / (x_max - x_min)

3. 最终公式

f(x) = (x - x_min) / (x_max - x_min)

4. 重要性质

• 线性变换：不改变数据相对大小与分布形状
• 保留相对距离：不破坏数据规律
• 范围严格 0~1：适合需要固定输入范围的模型

---

四、完整可运行代码（含4张可视化图）

直接复制运行，包含：计算、折线图、柱状图、映射曲线、分布对比。

import numpy as np
import matplotlib.pyplot as plt

# 原始数据
original_scores = np.array([40, 60, 80, 90, 100])

# 归一化计算
min_val = np.min(original_scores)
max_val = np.max(original_scores)
normalized_scores = (original_scores - min_val) / (max_val - min_val)

# 放大到0-100方便对比
normalized_scaled = normalized_scores * 100

# 绘图
fig, axs = plt.subplots(2, 2, figsize=(16, 10))
fig.suptitle('Data Normalization (Min-Max) Analysis', fontsize=20)

# 1. 折线图
axs[0,0].plot(original_scores, 'ro-', linewidth=3, markersize=10, label='Original')
axs[0,0].plot(normalized_scaled, 'bs--', linewidth=3, markersize=10, label='Normalized')
axs[0,0].set_title('Line Chart: Original vs Normalized')
axs[0,0].legend()
axs[0,0].grid(True)

# 2. 柱状图
idx = np.arange(len(original_scores))
w = 0.35
axs[0,1].bar(idx, original_scores, w, color='orange', label='Original')
axs[0,1].bar(idx+w, normalized_scaled, w, color='purple', label='Normalized')
axs[0,1].set_title('Bar Chart Comparison')
axs[0,1].legend()
axs[0,1].grid(True)

# 3. 映射曲线
axs[1,0].scatter(original_scores, normalized_scores, s=150, color='lime')
x_line = np.linspace(min_val, max_val, 100)
y_line = (x_line - min_val) / (max_val - min_val)
axs[1,0].plot(x_line, y_line, 'k--', linewidth=2, label='Mapping Curve')
axs[1,0].set_title('Scatter Plot: Mapping Function')
axs[1,0].set_xlabel('Original')
axs[1,0].set_ylabel('Normalized')
axs[1,0].legend()
axs[1,0].grid(True)

# 4. 分布直方图
axs[1,1].hist(original_scores, bins=8, alpha=0.7, color='cyan', label='Original')
axs[1,1].hist(normalized_scaled, bins=8, alpha=0.7, color='magenta', label='Normalized')
axs[1,1].set_title('Histogram Distribution')
axs[1,1].legend()
axs[1,1].grid(True)

plt.tight_layout()
plt.show()

---

五、可视化结果说明（超清晰）

1. 折线图：归一化后趋势不变，只是尺度统一
2. 柱状图：直观对比原始值与归一化值的差异
3. 映射散点图：完美符合线性公式 y = kx + b
4. 直方图：数据分布形状不变，仅范围被压缩

---

六、归一化 vs 标准化（最易混淆点）

方法	公式	输出范围	异常值影响	适用场景
归一化	(x-min)/(max-min)	[0,1]	非常大	固定范围、图像、KNN
标准化	(x-μ)/σ	无固定范围	较小	正态分布、梯度下降、SVM

最简单选择口诀

• 数据有极端异常值 → 用标准化
• 数据需要 0~1 范围 → 用归一化
• 不确定 → 优先标准化

---

七、哪些模型必须做归一化？

✅ 必须做（不做效果很差）

• KNN、K-Means（基于距离）
• SVM
• 神经网络、梯度下降
• 线性回归、逻辑回归

❌ 不用做（树模型）

• 决策树、随机森林、XGBoost、LightGBM

---

八、总结（面试/笔记速背版）

1. 归一化 = 统一特征尺度，消除量纲影响
2. Min-Max 公式：(x-min)/(max-min)
3. 结果一定落在 0~1
4. 线性变换，保留数据分布
5. 距离类模型必做，树模型可不做