分类标签归档：数据标准化
说明：本文是《Python数据分析与数据化运营》中的“3.10 离散化，对运营数据做逻辑分层”。 -----------------------------下面是正文内容--------------------------
所谓离散化，就是把无限空间中有限的个体映射到有限的空间中。数据离散化操作大多是针对连续数据进行的，处理之后的数据值域分布将从连续属性变为离散属性，这种属性一般包含2个或2个以上的值域。
离散化处理的必要性：
说明：本文是《Python数据分析与数据化运营》中的“3.9 标准化，让运营数据落入相同的范围”。 -----------------------------下面是正文内容--------------------------
数据标准化是一个常用的数据预处理操作，目的是将不同规模和量纲的数据经过处理，缩放到相同的数据区间和范围，以减少规模、特征、分布差异等对模型的影响。除了用作模型计算，标准化后的数据还具有了直接计算并生成复合指标的意义，是加权指标的必要步骤。
Z-Score标准化是基于原始数据的均值和标准差进行的标准化，假设原转换的数据为x，
说明：本文是《Python数据分析与数据化运营》中的“3.5 如何解决运营数据源的冲突问题”。 -----------------------------下面是正文内容--------------------------
多运营数据源冲突指的是来自于多个或同一个系统、环境、平台和工具中，相同业务逻辑的数据其结果不同。根据冲突的差异特征，可分为以下几种类型：
说明：本文是《Python数据分析与数据化运营》中的“3.2 将分类数据和顺序数据转换为标志变量”。 -----------------------------下面是正文内容-------------------------- 分类数据和顺序数据是常见的数据类型，这些值主要集中在围绕数据实体的属性和描述的相关字段和变量中。
在数据建模过程中，很多算法无法直接处理非数值型的变量。例如KMeans算法是基于距离的相似度计算，而字符串则无法直接计算距离。另外，即使算法本身支持，很多算法实现包也无法直接基于字符串做矩阵运算，例如Numpy以及基于Numpy的skl