能力驗證上報數據（n個數據）通過什么方法處理后進行的判定？這些問題都涉及數據標準化。
在數據分析之前，通常需要先將數據標準化（normalization），利用標準化后的數據進行數據分析。數據標準化也就是統(tǒng)計數據的指數化。
為什么要進行數據的標準化處理？
由于不同變量常常具有不同的單位和不同的變異程度。不同的單位常使系數的實踐解釋發(fā)生困難。例如：第1個變量的單位是kg，第2個變量的單位是cm，那么在計算絕對距離時將出現(xiàn)將兩個事例中第1個變量觀察值之差的絕對值（單位是kg）與第2個變量觀察值之差的絕對值（單位是cm）相加的情況。使用者會說5kg的差異怎么可以與3cm的差異相加？不同變量自身具有相差較大的變異時，會使在計算出的關系系數中，不同變量所占的比重大不相同。例如如果第1個變量（兩水稻品種米粒中的脂肪含量）的數值在2%到4%之間，而第2個變量（兩水稻品種的畝產量）的數值范圍都在1000與5000之間。為了消除量綱影響和變量自身變異大小和數值大小的影響，故將數據標準化。

數據標準化處理主要包括數據同趨化處理和無量綱化處理兩個方面。數據同趨化處理主要解決不同性質數據問題，對不同性質指標直接加總不能正確反映不同作用力的綜合結果，須先考慮改變逆指標數據性質，使所有指標對測評方案的作用力同趨化，再加總才能得出正確結果。數據無量綱化處理主要解決數據的可比性。數據標準化的方法有很多種，常用的有“最小—最大標準化”、“Z-score標準化”和“按小數定標標準化”等。經過上述標準化處理，原始數據均轉換為無量綱化指標測評值，即各指標值都處于同一個數量級別上，可以進行綜合測評分析。
一、Min-max 標準化
min-max標準化方法是對原始數據進行線性變換。設minA和maxA分別為屬性A的最小值和最大值，將A的一個原始值x通過min-max標準化映射成在區(qū)間[0,1]中的值x'，其公式為：
新數據=（原數據-極小值）/（極大值-極小值）
二、z-score 標準化

這種方法基于原始數據的均值（mean）和標準差（standard deviation）進行數據的標準化。將A的原始值x使用z-score標準化到x'。
z-score標準化方法適用于屬性A的最大值和最小值未知的情況，或有超出取值范圍的離群數據的情況。
新數據=（原數據-均值）/標準差

spss默認的標準化方法就是z-score標準化。

用Excel進行z-score標準化的方法：在Excel中沒有現(xiàn)成的函數，需要自己分步計算，其實標準化的公式很簡單。

步驟如下：
1.求出各變量（指標）的算術平均值（數學期望）xi和標準差si ；
2.進行標準化處理：
zij＝（xij－xi）／si
其中：zij為標準化后的變量值；xij為實際變量值。
3.將逆指標前的正負號對調。
標準化后的變量值圍繞0上下波動，大于0說明高于平均水平，小于0說明低于平均水平。

三、Decimal scaling小數定標標準化

這種方法通過移動數據的小數點位置來進行標準化。小數點移動多少位取決于屬性A的取值中的最大絕對值。將屬性A的原始值x使用decimal scaling標準化到x'的計算方法是：

x'=x/(10*j)

其中，j是滿足條件的最小整數。
例如 假定A的值由-986到917，A的最大絕對值為986，為使用小數定標標準化，我們用1000（即，j=3）除以每個值，這樣，-986被規(guī)范化為-0.986。

注意，標準化會對原始數據做出改變，因此需要保存所使用的標準化方法的參數，以便對后續(xù)的數據進行統(tǒng)一的標準化。

文章來源于網絡，轉載只為分享知識，如有侵權請聯(lián)系刪除。