本文摘抄自两篇文章：
通常， 归一化、标准化都是特征工程中的特征缩放过程，但它们作用的目的和结果有差异：归一化将保留原始数据分布，而标准化将数据变换为均值为 0，标准差为 1 的某一分布。
特征缩放 一般的目的：
使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，使模型更准确。
加快学习算法的收敛速度。
归一化、标准化 的区别：
标准化 (Standardisation)：将数据变换为【均值为0，标准差为1的 分布】，但并非一定是正态分布。
归一化 (Normalisation)：【保留原始数据分布】，并将一列数据变化到某个固定区间 (范围) 中，通常，这个区间是 [0, 1，广义的讲，也可以是各种区间，比如映射到 [0, 1] 一样可以继续映射到其他范围，图像中可能会映射到 [0,255]，其他情况也可能映射到 [-1,1]；
在 scilearn-kit 中，有 4 种基本的归一化、标准化方法：
缩放到均值为0，方差为1（Standardization——StandardScaler()）
缩放到0和1之间（Standardization——MinMaxScaler()）
缩放到-1和1之间（Standardization——MaxAbsScaler()）
缩放到0和1之间，保留原始数据的分布（Normalization——Normalizer()）
