使用matlab进行数据标准化的两种方法_matlab标准化函数

数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上。

使用matlab处理数据标准化一般有两种方法，分别实现如下：
方法一：极值标准化
这里的min表示极小值，max表示极大值通过以下公式处理后，矩阵元素落在[0,1]之间
%定义函数，根据极大值和极小值进行标准化
function out=mystand(A)
out=[];
n=size(A,1);%获取行数
minA = min(A); %获取极小值
maxA = max(A);%获取极大值
out = (A-repmat(minA,n,1))./repmat(maxA-minA,n,1);%使用repmat对每个元素进行重复处理，记得这里一定要用./
end
调用：
A=randn(20,20)*2+1;
mystand(A);
运行结果如下：

可以看到所有的数据都落到[0,1]之间。
方法二：Z标准化，也叫z-score标准化
思路：这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。
经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。
实现代码如下：
function out=myzscore(A)
temp =[];
demesion=size(A);
meanA=mean(A);
stdA=std(A);
for i=1:numel(A)
temp = [temp (A(i)-meanA)/stdA];
end
out=reshape(temp,demesion);
end
调用：
A=randn(20,20)*2+1;
myzscore(A);
结果：

作图发现符合正态分布